machine-learning - 什么是机器学习中的可解释性？

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

标签： machine-learning

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.