InterpretML 微软可解释性机器学习包
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 ...
原文：谈谈机器学习模型的可解释性
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 ，它踏马蹄 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什么时候停下。因此当一个训练好的网络模型根据输入来输出他的答案时，有时候虽然也能得到正确的结果，但是我们更多时候还需要知 ...
2021-07-29 16:39 0 249 推荐指数：
相关推荐
【笔记】机器学习 - 李宏毅 -- Explainable ML 可解释性机器学习
课程笔记 前言 两种可解释性： 局部解释：为什么这种图是猫？ 全局解释：猫是什么样子的？ 为什么需要可解释机器学习？（打开黑盒） 一般的提升效果的方法就是一顿暴调参数，可解释性可以帮助我们更好地提升模型性能。 其实人也是个黑盒（这个观点太6了）。 可解释机器学习的目标，不需要 ...
机器学习可解释性系列 - 是什么&为什么&怎么做
机器学习可解释性分析 可解释性通常是指使用人类可以理解的方式，基于当前的业务，针对模型的结果进行总结分析； 一般来说，计算机通常无法解释它自身的预测结果，此时就需要一定的人工参与来完成可解释性工作； 目录： 是什么：什么叫可解释性； 为什么：为什么要对模型结果进行解释 ...
深度学习模型可解释性初探
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 ...
模型可解释性方法--lime
与模型无关的局部可解释性方法(LIME) 在机器学习模型事后局部可解释性研究中，一种代表性方法是由Marco Tulio Ribeiro等人提出的Local Interpretable Model-Agnostic Explanation(LIME)。 一般地，对于每一个输入实例，LIME ...
关于深度学习的可解释性
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 ...
复杂模型可解释性方法——LIME
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 ...