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 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 ...

1. 可解釋性是什么 0x1：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 ...

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 ...

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 ...

目錄 從詞袋模型到BERT 分析BERT表示 不考慮上下文的方法 考慮語境的方法 結論 本文翻譯自Are BERT Features InterBERTible? 從詞袋模型到BERT ​ Mikolov等人提出 ...

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 ...