很多人重視重視模型的預(yù)測能力,卻忽略了模型可解釋性的重要性,只知其然而不知其所以然。為什么說模型的可解釋性這么重要呢?作者就 5 個方面對此進(jìn)行了闡述。
模型的可解釋性能夠展示你的模型在學(xué)什么,并且觀察模型內(nèi)部比大多數(shù)人想的更有用。
在過去的 10 年間,我采訪了許多數(shù)據(jù)科學(xué)家,模型的可解釋性是我最喜歡的主題,我用它來區(qū)分最好的數(shù)據(jù)科學(xué)家和一般的數(shù)據(jù)科學(xué)家。
有些人認(rèn)為機(jī)器學(xué)習(xí)模型是黑箱,能做出預(yù)測但無法理解;可是最好的數(shù)據(jù)科學(xué)家可以通過任何模型洞察真實世界。給出任何模型,這些數(shù)據(jù)科學(xué)家都可以輕松地回答下面的問題:
模型認(rèn)為數(shù)據(jù)中最重要的特征是什么
就模型的任何單個預(yù)測結(jié)果而言,數(shù)據(jù)中的每個特征是如何影響這一預(yù)測結(jié)果的
特征之間什么樣的相互作用對模型預(yù)測產(chǎn)生的影響最大
這些問題的答案比大多數(shù)人認(rèn)為的要有意義。受此啟發(fā),我在 Kaggle 上開設(shè)了模型可解釋性的微課程。無論你是通過 Kaggle 還是其他的綜合性資源(比如《統(tǒng)計學(xué)習(xí)基礎(chǔ)(Elements of Statistical Learning)》)進(jìn)行學(xué)習(xí),這些技術(shù)都將徹底地改變你構(gòu)建、驗證和部署機(jī)器學(xué)習(xí)模型的方式。
為什么這些洞察結(jié)果很有價值?
模型洞察結(jié)果的五個最重要應(yīng)用是:
調(diào)試
指導(dǎo)特征工程
指導(dǎo)未來數(shù)據(jù)的收集方向
指導(dǎo)人類做出決策
建立信任
調(diào)試
這個世界中存在很多不可靠的、雜亂無章且具有大量噪聲的數(shù)據(jù)。當(dāng)你寫下預(yù)處理代碼時,你就添加了潛在的錯誤源頭。加上目標(biāo)泄漏的可能性,在真實的數(shù)據(jù)科學(xué)項目中,在某個點出現(xiàn)錯誤是正常的,而非例外。
鑒于錯誤的頻率以及潛在的災(zāi)難性后果,調(diào)試成為了數(shù)據(jù)科學(xué)中最有價值的技能之一。理解模型正在尋找的模式有助于你確定模型何時與你對現(xiàn)實世界的了解不一致,這一般都是追蹤錯誤的第一步。
指導(dǎo)特征工程
特征工程一般是提高模型準(zhǔn)確率的最有效方法。特征工程通常包括轉(zhuǎn)換原始數(shù)據(jù)或之前創(chuàng)建的特征來反復(fù)創(chuàng)建新特征。
有時候你可以僅憑對基本主題的直覺來完成這個過程。但是當(dāng)原始特征有 100 多個或者你缺乏手頭項目的背景知識時,你就需要更多指導(dǎo)了。
Kaggle 競賽中有道題是關(guān)于預(yù)測貸款違約的,這就是一個極端的例子。這道題中有 100 多個原始特征。出于隱私原因,這些特征沒用常見的英文名字,而是用 f1、f2、f3 這樣的代號命名的。這就模擬了一個你不怎么了解原始數(shù)據(jù)的場景。
一名參賽者發(fā)現(xiàn)了 f527~f528 這兩個特征之間的差異,從而創(chuàng)建了強(qiáng)大的新特征。將這一差異作為特征的模型比沒有這個特征的模型要好得多。但是當(dāng)變量有數(shù)百個時,你怎么能想到創(chuàng)建這個變量呢?
你在這門課程中學(xué)到的技巧能讓你輕易分辨出 f527 和 f528 是重要特征,而且它們是有緊密關(guān)聯(lián)的。這會指導(dǎo)你考慮轉(zhuǎn)換這兩個變量,從而找到 f527-f528 的「黃金特征」。
現(xiàn)在的數(shù)據(jù)集動輒就有成百上千個原始特征,因此這個方法的重要性與日俱增。
指導(dǎo)未來數(shù)據(jù)的收集方向
你無法控制在線下載的數(shù)據(jù)集。但許多使用數(shù)據(jù)科學(xué)的企業(yè)和組織都有機(jī)會擴(kuò)大他們收集數(shù)據(jù)的類型。收集新類型的數(shù)據(jù)又貴又不方便,所以他們只會收集值得費力氣的數(shù)據(jù)?;谀P偷亩床旖Y(jié)果可以讓你更好地理解當(dāng)前特征的價值,這將幫助你推斷出哪些新價值是最有用的。
指導(dǎo)人類做出決策
有些決策是由模型自動做出的——當(dāng)你登錄亞馬遜時,網(wǎng)站沒有人在倉促間決定給你展示什么內(nèi)容。但是有很多重要的決定必須要由人類來做。就這些決策而言,模型的洞察能力比預(yù)測能力更有價值。
建立信任
在沒有驗證基本事實的情況下,人們不會相信你的模型,也就不會根據(jù)你的模型做出重要的決策。就數(shù)據(jù)出錯的頻率而言,這是明智的預(yù)防措施。在實踐中,展示符合他們一般認(rèn)知的洞察結(jié)果有助于建立用戶對模型的信任,即便這些用戶對數(shù)據(jù)科學(xué)知之甚少也沒關(guān)系。