關於深度學習的可解釋性
在這里學習的，在此簡要做了些筆記。 壹、可解釋性概述 1. 可解釋性是什么 人類對模型決策/預測結果的理解程度。 對於深度學習而言，可解釋性面臨兩個問題：①為甚會得到該結果？（過程）②為甚結果應該是這個？（結果） 理想狀態：通過溯因推理，計算出輸出結果，可是實現較好的模型解釋性。 衡量一個 ...
原文：深度學習模型可解釋性初探
. 可解釋性是什么 x ：廣義可解釋性 廣義上的可解釋性指： 比如我們在調試 bug 的時候，需要通過變量審查和日志信息定位到問題出在哪里。 比如在科學研究中面臨一個新問題的研究時，我們需要查閱一些資料來了解這個新問題的基本概念和研究現狀，以獲得對研究方向的正確認識。 反過來理解，如果在一些情境中我們無法得到相應的足夠的信息，那么這些事情對我們來說都是不可解釋的。比如劉慈欣的短篇 朝聞道 中霍金 ...
2018-10-13 15:07 0 2665 推薦指數：
相關推薦
談談機器學習模型的可解釋性
深度學習一直被認為是一個黑盒子，但是試圖對模型的理解仍然是非常必要的。先從一個例子來說明解釋神經網絡的重要性：古代一個小鎮上的一匹馬能夠做數學題，比如給它一個題目 2+3 ，它踏馬蹄 5 下后就會停下，這匹馬被當地稱作神馬漢斯。后來人們發現，漢斯其實並不會做數學題，它通過觀察主人的反應來判斷 ...
zz“深度高斯模型”可能為深度學習的可解釋性提供概率形式的理論指導
【NIPS2017】“深度高斯模型”可能為深度學習的可解釋性提供概率形式的理論指導？亞馬遜機器學習專家最新報告 專知 【導讀】在NIPS 2017上，亞馬遜機器學習專家Neil Lawrence在12月4日在長灘現場進行了一場“基於高斯模型的深度概率模型”的演講報告。這場報告Neil ...
模型可解釋性方法--lime
與模型無關的局部可解釋性方法(LIME) 在機器學習模型事后局部可解釋性研究中，一種代表性方法是由Marco Tulio Ribeiro等人提出的Local Interpretable Model-Agnostic Explanation(LIME)。 一般地，對於每一個輸入實例，LIME ...
復雜模型可解釋性方法——LIME
一、模型可解釋性 近年來，機器學習（深度學習）取得了一系列驕人戰績，但是其模型的深度和復雜度遠遠超出了人類理解的范疇，或者稱之為黑盒（機器是否同樣不能理解？），當一個機器學習模型泛化性能很好時，我們可以通過交叉驗證驗證其准確性，並將其應用在生產環境中，但是很難去解釋這個模型為什么會做 ...
卷積神經網絡模型可解釋性
卷積神經網絡模型可解釋性 缺乏可解釋性仍然是在許多應用中采用深層模型的一個關鍵障礙。在這項工作中，明確地調整了深層模型，這樣人類用戶可以在很短的時間內完成他們預測背后的過程。具體地說，訓練了深度時間序列模型，使得類概率預測具有較高的精度，同時被節點較少的決策樹緊密地建模。使用直觀的玩具例子 ...
InterpretML 微軟可解釋性機器學習包
為實踐者和研究者提供機器學習可解釋性算法的開源 Python 軟件包。InterpretML 能提供以下兩種 ...