How to Explain the Prediction of a Machine Learning Model?

学完你能

• 解释可解释性模型应具备的仿真性、算法透明性与可分解性三项性质
• 说明线性回归的系数与“系数×特征值”在解释单特征贡献时的用法与前提
• 说明朴素贝叶斯如何用先验与后验衡量单个特征值的贡献
• 描述决策列表（FRL、BRL、IDS）为何天生可解释
• 说明随机森林的全局特征重要性与单实例决策路径解释思路
• 区分黑盒模型解释中保真度与可解释性之间的权衡
• 按目录定位预测分解及各后续小节，作为进一步阅读的线索

适合你吗

课程特点

内容侧重

按内容目录判断

练习与项目

原文无配套代码与练习，可在通读后针对感兴趣的单篇引用论文自行延伸阅读。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费网页正文可直接读到完整讲解内容，未见付费墙或登录拦截。

内容覆盖

• Interpretable Models：回归、朴素贝叶斯、决策树/决策列表、随机森林
• Interpreting Black-Box Models：Prediction Decomposition
• Local Gradient Explanation Vector（仅标题，节选未含正文）
• LIME (Local Interpretable Model-Agnostic Explanations)（仅标题，节选未含正文）
• Feature Selection（仅标题，节选未含正文）
• BETA (Black Box Explanation through Transparent Approximations)（仅标题，节选未含正文）
• Explainable Artificial Intelligence（仅标题，节选未含正文）
• References（仅标题，节选未含正文）