【哈佛大学】机器学习的黑盒解释性，52页ppt

随着机器学习模型越来越多地用于在医疗保健和刑事司法等高风险环境中帮助决策者，确保决策者(最终用户)正确理解并信任这些模型的功能非常重要。我们将回顾了解模型的可解释性和explainability的概念,详细讨论不同类型的可说明的模型(例如,基于原型方法,稀疏线性模型、基于规则的技术,广义可加模型),事后解释(黑箱解释，包括反事实解释和显著性映射)，并探索可解释性与因果性、调试和公平性之间的联系。可解释机器学习这些应用可以极大地受益于模型的可解释性，包括刑事司法和医疗保健。