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 ...
原文：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 ，它踏馬蹄 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什么時候停下。因此當一個訓練好的網絡模型根據輸入來輸出他的答案時，有時候雖然也能得到正確的結果，但是我們更多時候還需要知 ...
2021-07-29 16:39 0 249 推薦指數：
相關推薦
【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 ...
深度學習模型可解釋性初探
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 ...
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 ...
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 ...
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 ...