XAI Explainable AI Model Explainability
发布时间
阅读量：
阅读量
前言 : 这些探索者们深入研究这一领域的一线探索者们,他们必然致力于探索更适合自身需求、能够实现高可靠性的可解释方法.这些技术不仅有助于提升模型性能、优化效果以及防范潜在偏差,还可以为后续的研究提供参考.无需在此纠结于"什么是可解释"这类基础性问题.笔者将目前汇总的各种解释性方法进行了系统梳理,并会持续更新补充.
总体而言，在分析与求解过程中将复杂的黑箱系统通过一系列可解释的方法进行解析与解读。具体而言就是运用线性回归、逻辑回归以及决策树等基础统计方法来构建具有可分析性的数学表达式与分析框架。
三个维度：算法的透明性——模型架构细节、整体可解释性——整体输出结果**、局部可解释性——具体样本预测**
还没有任何评论哟~