一文读懂可解释机器学习简史，让你的模型再也不是「Black Box」

近年来，可解释机器学习（IML） 的相关研究蓬勃发展。尽管这个领域才刚刚起步，但是它在回归建模和基于规则的机器学习方面的相关工作却始于20世纪60年代。最近，arXiv上的一篇论文简要介绍了解释机器学习(IML)领域的历史，给出了最先进的可解释方法的概述，并讨论了遇到的挑战。

当机器学习模型用在产品、决策或者研究过程中的时候，「可解释性」通常是一个决定因素。

可解释机器学习（Interpretable machine learning ，简称 IML）可以用来来发现知识，调试、证明模型及其预测，以及控制和改进模型。

研究人员认为 IML的发展在某些情况下可以认为已经步入了一个新的阶段，但仍然存在一些挑战。