machine-learning - 什么是机器学习中的可解释性?
问题描述
我今天读到了这句话:添加更多特征或变量后,每个回归都会变得更好......但是添加更多特征会增加复杂性并降低模型的可解释性。我无法理解什么是可解释性?(在谷歌上搜索但仍然没有得到它)
请帮忙谢谢
解决方案
我想说回归问题中的可解释性是指您可以向非统计学家/领域专家解释模型的结果。
例如:您尝试根据包括性别在内的许多变量来预测人的大小。如果您使用线性回归,则可以说如果该人是男性(与女性相比),模型将在预测尺寸上增加 20 厘米(再次举例)。领域专家将了解解释变量与预测结果之间的关系,而无需了解统计数据或线性回归的工作原理。
此外,我不同意添加更多特征或变量总能改善回归结果的事实。
- 什么是更好的回归?所选指标的改进 ? 用于训练或测试集?“更好的回归”并不意味着什么......
- 如果我们假设更好的回归是更好地预测新数据集目标的回归,那么更多的变量并不总能提高预测能力,尤其是在没有正则化的情况下,如果添加的特征包含期货变量或许多其他情况.
推荐阅读
- database - MemoryError 合并 2 个数据集
- postman - 如何在中间表中获取记录及其相关数据
- java - 计算两个通道的音频电平/幅度/db
- r - 从 sf 数据框中删除行名
- excel - 如何创建一个计算字段公式,将数据透视表字段中的“是”连接到显示为列值的不同字段中的名称?
- kubernetes - 将它连接到 istio 后,如何为我的 keycloak 实例创建一个 URL 前端
- calc - 在单元格公式计算中使用数组?
- angular9 - 将自定义 DomSanitizer 与 Ivy 一起使用
- android - Android 10 手势导航禁用
- python - 导入andas_datareader时这个错误是什么?