![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
可解释
文章平均质量分 87
hans_eight
这个作者很懒,什么都没留下…
展开
-
可解释的机器学习(三):可解释的模型-逻辑回归
可解释的机器学习(三):可解释的模型-逻辑回归线性模型用于分类的问题:不输出概率,但将它类视为数字(0和1),并你和最佳超平面以最小化点和超平面之间的的距离。所以它知识在点之间插值,不能将它们解释为概率。分类的解决问题是逻辑回归。它不是拟合直线或超平面,而是使用逻辑函数将线性方程的输出挤压到0和1之间。logistic(η)=11+exp(−η)logistic(\eta) = \frac1{1+exp(-\eta)}logistic(η)=1+exp(−η)1P(y(i)=1)=11+exp原创 2021-03-23 17:49:51 · 698 阅读 · 0 评论 -
可解释的机器学习(二):可解释的模型-线性回归
可解释的机器学习(二):可解释的模型-线性回归线性回归介绍线性回归模型将目标预测为特征输入的加权和,而所学习关系的线性使解释变得容易。线性模型中针对第i个实例:y=β+β1x1+…+βpxp+ϵy = \beta + \beta_1x_1 + \ldots + \beta_px_p + \epsilony=β+β1x1+…+βpxp+ϵ通常使用最小二乘法来找到使真实结果和预测结果之间平方差最小化的权重:β^=arg minβ0,…,βp∑i=1n(y(i)−(β0+∑j=1pβjx原创 2021-03-23 11:24:16 · 519 阅读 · 0 评论 -
可解释的机器学习(一):可解释性
可解释的机器学习(一):可解释性机器学习是基于数据做出和改进预测或行为的一套方法。方法:数据采集-将这新信息输入机器学习算法-将新数据输入模型。黑盒模型是一个不揭示其内部机制的系统。在机器学习中,“黑盒模型”或称“黑匣子”描述了通过查看参数(例如深度神经网络的参数)却无法理解的模型。黑盒的对立面有时被称为白盒,即为可解释模型。模型无关的解释方法将机器学习模型是为黑盒。可解释的机器学习是指机器学习系统的行为和预测对人类可理解的方法和模型。可解释性可解释性是人们能够理解决策原因的程度。或是指人们能够原创 2021-03-17 16:54:38 · 2036 阅读 · 0 评论