机器学习模型的可解释性算法汇总！

文章预览

 模型可解释性汇总 简 介 目前很多机器学习模型可以做出非常好的预测，但是它们并不能很好地解释他们是如何进行预测的，很多数据科学家都很难知晓为什么该算法会得到这样的预测结果。这是非常致命的，因为如果我们无法知道某个算法是如何进行预测，那么我们将很难将其前一道其它的问题中，很难进行算法的debug。 本文介绍目前常见的几种可以提高机器学习模型的可解释性的技术，包括它们的相对优点和缺点。我们将其分为下面几种： Partial Dependence Plot (PDP)； Individual Conditional Expectation (ICE) Permuted Feature Importance Global Surrogate Local Surrogate (LIME) Shapley Value (SHAP) 六大可解释性技术 01 Partial Dependence Plot (PDP) PDP是十几年之前发明的，它可以显示一个或两个特征对机器学习模型的预测结果的边际效应。它可以帮助研究人员确定当大量特征调整时， ………………………………