一、模型可解释性     近年来，机器学习（深度学习）取得了一系列骄人战绩，但是其模型的深度和复杂度远远超出了人类理解的范畴，或者称之为黑盒（机器是否同样不能理解？），当一个机器学习模型泛化性能很好时，我们可以通过交叉验证验证其准确性，并将其应用在生产环境中，但是很难去解释这个模型为什么会做 ...

卷积神经网络模型可解释性 缺乏可解释性仍然是在许多应用中采用深层模型的一个关键障碍。在这项工作中，明确地调整了深层模型，这样人类用户可以在很短的时间内完成他们预测背后的过程。具体地说，训练了深度时间序列模型，使得类概率预测具有较高的精度，同时被节点较少的决策树紧密地建模。使用直观的玩具例子 ...

1. 可解释性是什么 0x1：广义可解释性 广义上的可解释性指： 比如我们在调试 bug 的时候，需要通过变量审查和日志信息定位到问题出在哪里。 比如在科学研究中面临一个新问题的研究时，我们需要查阅一些资料来了解这个新问题的基本概念和研究现状，以获得对研究方向的正确认识 ...

深度学习一直被认为是一个黑盒子，但是试图对模型的理解仍然是非常必要的。先从一个例子来说明解释神经网络的重要性：古代一个小镇上的一匹马能够做数学题，比如给它一个题目 2+3 ，它踏马蹄 5 下后就会停下，这匹马被当地称作神马汉斯。后来人们发现，汉斯其实并不会做数学题，它通过观察主人的反应来判断 ...

在这里学习的，在此简要做了些笔记。 壹、可解释性概述 1. 可解释性是什么 人类对模型决策/预测结果的理解程度。 对于深度学习而言，可解释性面临两个问题：①为甚会得到该结果？（过程）②为甚结果应该是这个？（结果） 理想状态：通过溯因推理，计算出输出结果，可是实现较好的模型解释性。 衡量一个 ...

目录 从词袋模型到BERT 分析BERT表示 不考虑上下文的方法 考虑语境的方法 结论 本文翻译自Are BERT Features InterBERTible? 从词袋模型到BERT ​ Mikolov等人提出 ...

为实践者和研究者提供机器学习可解释性算法的开源 Python 软件包。InterpretML 能提供以下两种 ...