可解释的机器学习
原文标题 |Interpretable Machine Learning 作者 |Parul Pandey 译者 |intelLigenJ（算法工程师）、鸢尾 编辑 | 王立鱼 原文链接： https://towardsdatascience.com/interpretable-machine-learning-1dec0f2f3e6b 图源Pexels的Pixabay 是时候摆脱黑盒模型，构建起对机器学习的信任了！ 想象你是一个数据科学家，你想要在业余时间根据你朋友在facebook和twitter上发布的信息，来预估你朋友假期要去度假的地方。如果你预测对了，你朋友一定叹为观止，觉得你是锦鲤附身。如果你猜错了也没啥，只不过有点影响身为数据科学家的口碑而已。但如果你和其他人打了赌，就赌这个朋友暑假会去哪里，这时候预测错误的成本就有点高了。也就是说，当模型对错本身不造成很大影响的时候，解释性并不算是很重要的要素。不过当预测模型用于金融、公共事务等重大影响决策时，解释性就显得尤为重要了。 可解释的机器学习 理解（interpret）表示用可被认知（understandable）的说法去解...
