本文探讨了机器学习模型的可解释性，解释了为何需要模型可解释性，特别是对于理解模型决策的重要性。介绍了可解释性分析的不同层面，包括全局特征重要性和模块层面的影响，并提到了两种方法：本质方法（限制模型复杂性）和事后方法（模型无关的解释）。最后，作者强调了在深度学习领域模型可解释性的关键作用，以建立用户对模型的信任。
机器学习可解释性(一)
机器学习可解释性(二) 之 可解释模型
机器学习可解释性(三) 之模型无关方法
机器学习可解释性(四) 之 shap
Kaggle Notebook GM 排名第二的 Dan Becker 在他的推送 What 70% of Data Science Learners Do Wrong 中特意提到了一点：
Learn how to interpret model output. For example, you need to understand measures of model accuracy to know if you can trust a model. Learn machine learning explainability techniques, like permutation importance.
这位大佬目前在kaggle上开源了180+个专家级别的notebook。那么受到这么重量级人物推荐的 模型可解释性 到底是何方神圣，我们就来一探究竟。
what: 什么是可解释性（interpretability)
可解释性是以一种人类可理解的方式将特征值与模型预测联系起来，使人们能够认可模型预测结果。通俗一点说，
最低0.47元/天 解锁文章
扫一扫
3408
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
