機器學習可解釋性系列 - 是什么&為什么&怎么做
機器學習可解釋性分析 可解釋性通常是指使用人類可以理解的方式，基於當前的業務，針對模型的結果進行總結分析； 一般來說，計算機通常無法解釋它自身的預測結果，此時就需要一定的人工參與來完成可解釋性工作； 目錄： 是什么：什么叫可解釋性； 為什么：為什么要對模型結果進行解釋 ...
原文：XAI/MLI 可解釋機器學習系列1- 開源&paper匯總
一直在關注可解釋機器學習領域，因為確實在工作中有許多應用 模型檢查，特征重要性是否符合預期和AUC一樣重要 模型解釋，比起虛無縹緲的模型指標，解釋模型學到的規律更能說服業務方 樣本解釋，為什么這些用戶會違約，是否有指標能提前預警 決策歸因，有時模型只是提取pattern的方式，最終需要給到歸因 決策，例如HTE模型和XAI結合是否也是一種落地方式 年被H O Driverless AI 提供的可解 ...
2020-06-14 22:03 0 695 推薦指數：
相關推薦
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 ...
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 ...
【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 ...
【機器學習與R語言】1-機器學習簡介
目錄 1.基本概念 2.選擇機器學習算法 3.使用R進行機器學習 1.基本概念 機器學習：發明算法將數據轉化為智能行為 數據挖掘 VS 機器學習：前者側重尋找有價值的信息，后者側重執行已知的任務。后者是前者的先期准備 過程：數據——> ...
機器學習xgboost參數解釋筆記
首先xgboost有兩種接口，xgboost自帶API和Scikit-Learn的API，具體用法有細微的差別但不大。 在運行 XGBoost 之前, 我們必須設置三種類型的參數: （常規參數）ge ...
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 ...