在醫(yī)學(xué)領(lǐng)域，模型的可解釋性尤為重要，需要有明確的結(jié)論證據(jù)支持，然后牽涉到神經(jīng)網(wǎng)絡(luò)模型，繞不開(kāi)的就是黑盒觀點(diǎn)。

業(yè)界做了很多嘗試，發(fā)現(xiàn)一片不錯(cuò)的模型可解釋介紹。這里依舊做要點(diǎn)記錄，以免原鏈接失效。

原鏈接：https://www.jiqizhixin.com/articles/2019-10-30-9

1. 什么是模型的可解釋性

模型解釋的三個(gè)最重要的方面解釋：

?

?2. 可解釋性的標(biāo)準(zhǔn)

3.可解釋性的作用

在醫(yī)學(xué)領(lǐng)域，結(jié)果的可解釋性是非常重要的。

4.解釋性模型的方法：重點(diǎn)關(guān)注和神經(jīng)網(wǎng)絡(luò)相關(guān)的方法

?

?

參考文獻(xiàn)

• Interpretable Machine Learning

  https://christophm.github.io/interpretable-ml-book/pdp.html

• Partial dependence ——集成樹(shù)的可解析性

  https://zhuanlan.zhihu.com/p/40356430

• Machine Learning for Insights Challenge

  https://zhuanlan.zhihu.com/p/45898896

• https://yyqing.me/post/2018/2018-09-25-kaggle-model-insights

• http://rstudio-pubs-static.s3.amazonaws.com/283647_c3ab1ccee95a403ebe3d276599a85ab8.html

• 《通向人類(lèi)可理解、可解釋的人工智能》

• https://github.com/lopusz/awesome-interpretable-machine-learning

• https://github.com/jphall663/awesome-machine-learning-interpretability

• https://github.com/Henrilin28/awesome-Interpretable-ML

• http://xiangruix.com/2018/07/31/lime/

• https://www.jianshu.com/p/b52efa66154e

• https://zhuanlan.zhihu.com/p/32891505

• https://suensummit.github.io/intro-lime/#1

• https://www.oreilly.com/learning/introduction-to-local-interpretable-model-agnostic-explanations-lime

• https://github.com/slundberg/shap

• http://km.oa.com/group/22630/articles/show/380452?kmref=search&from_page=1&no=1

?

以上介紹對(duì)探索貝葉斯方法的可解釋性有重大參考意義。貝葉斯方法的可解釋性，個(gè)人覺(jué)得有兩方面：一是先驗(yàn)概念引入；二是超參最優(yōu)化的稀疏解作用。具體有待實(shí)驗(yàn)證明。

總結(jié)

以上是生活随笔為你收集整理的模型可解释性-贝叶斯方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。