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 ...
原文：如何解決機器學習樹集成模型的解釋性問題
機器學習模型不可解釋的原因 前些天在同行交流群里，有個話題一直在群里熱烈地討論，那就是 如何解釋機器學習模型 ，因為在風控領域，一個模型如果不能得到很好的解釋一般都不會被通過的，在銀行里會特別的常見，所以大多數同行都是會用 LR 來建模。但是，機器學習的模型算法這么多，不用豈不是很浪費 而且有些算法還十分好用的，至少在效果上，如XGBoost GBDT Adaboost。 那么，有同學就會問了， ...
2019-10-20 20:47 0 644 推薦指數：
相關推薦
機器學習筆記之多重共線性問題以及如何解決
0x00 概述 在進行線性回歸分析時，容易出現自變量（解釋變量）之間彼此相關的現象，我們稱這種現象為多重共線性。 適度的多重共線性不成問題，但當出現嚴重共線性問題時，會導致分析結果不穩定，出現回歸系數的符號與實際情況完全相反的情況。 本應該顯著的自變量不顯著，本不顯著的自變量卻呈現出顯著性 ...
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 ...
【筆記】機器學習 - 李宏毅 -- Explainable ML 可解釋性機器學習
課程筆記 前言 兩種可解釋性： 局部解釋：為什么這種圖是貓？ 全局解釋：貓是什么樣子的？ 為什么需要可解釋機器學習？（打開黑盒） 一般的提升效果的方法就是一頓暴調參數，可解釋性可以幫助我們更好地提升模型性能。 其實人也是個黑盒（這個觀點太6了）。 可解釋機器學習的目標，不需要 ...
機器學習總結（4）—分類中的樹模型（決策樹及RF.GBDT集成模型）
前言 過去幾個月，一直在學習機器學習模型，輸入只是學習的一部分，輸出可以幫助自己更熟練地掌握概念和知識。把一個復雜的事物簡單的講述出來，才能表示真正弄懂了這個知識。所以我將在博客中盡量簡單地把這些模型講述出來，以加深自己的掌握，也為他人提供一點點參考。感謝大神劉建平Pinard的博客，如有 ...
【機器學習】如何解決數據不平衡問題
在機器學習的實踐中，我們通常會遇到實際數據中正負樣本比例不平衡的情況，也叫數據傾斜。對於數據傾斜的情況，如果選取的算法不合適，或者評價指標不合適，那么對於實際應用線上時效果往往會不盡人意，所以如何解決數據不平衡問題是實際生產中非常常見且重要的問題。 什么是類別不平衡問題 ...