很多人重視重視模型的預(yù)測(cè)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(shuō)模型的可解釋性這么重要呢？作者就 5 個(gè)方面對(duì)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(guò)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(lái)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(cè)但無(wú)法理解；可是最好的數(shù)據(jù)科學(xué)家可以通過(guò)任何模型洞察真實(shí)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(wèn)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(gè)預(yù)測(cè)結(jié)果而言，數(shù)據(jù)中的每個(gè)特征是如何影響這一預(yù)測(cè)結(jié)果的
特征之間什么樣的相互作用對(duì)模型預(yù)測(cè)產(chǎn)生的影響最大
這些問(wèn)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(kāi)設(shè)了模型可解釋性的微課程。無(wú)論你是通過(guò) Kaggle 還是其他的綜合性資源（比如《統(tǒng)計(jì)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(yàn)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(jià)值？
模型洞察結(jié)果的五個(gè)最重要應(yīng)用是：
調(diào)試
指導(dǎo)特征工程
指導(dǎo)未來(lái)數(shù)據(jù)的收集方向
指導(dǎo)人類(lèi)做出決策
建立信任
調(diào)試
這個(gè)世界中存在很多不可靠的、雜亂無(wú)章且具有大量噪聲的數(shù)據(jù)。當(dāng)你寫(xiě)下預(yù)處理代碼時(shí)，你就添加了潛在的錯(cuò)誤源頭。加上目標(biāo)泄漏的可能性，在真實(shí)的數(shù)據(jù)科學(xué)項(xiàng)目中，在某個(gè)點(diǎn)出現(xiàn)錯(cuò)誤是正常的，而非例外。
鑒于錯(cuò)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(jià)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(shí)與你對(duì)現(xiàn)實(shí)世界的了解不一致，這一般都是追蹤錯(cuò)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(lái)反復(fù)創(chuàng)建新特征。
有時(shí)候你可以?xún)H憑對(duì)基本主題的直覺(jué)來(lái)完成這個(gè)過(guò)程。但是當(dāng)原始特征有 100 多個(gè)或者你缺乏手頭項(xiàng)目的背景知識(shí)時(shí)，你就需要更多指導(dǎo)了。
Kaggle 競(jìng)賽中有道題是關(guān)于預(yù)測(cè)貸款違約的，這就是一個(gè)極端的例子。這道題中有 100 多個(gè)原始特征。出于隱私原因，這些特征沒(méi)用常見(jiàn)的英文名字，而是用 f1、f2、f3 這樣的代號(hào)命名的。這就模擬了一個(gè)你不怎么了解原始數(shù)據(jù)的場(chǎng)景。
一名參賽者發(fā)現(xiàn)了 f527~f528 這兩個(gè)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(méi)有這個(gè)特征的模型要好得多。但是當(dāng)變量有數(shù)百個(gè)時(shí)，你怎么能想到創(chuàng)建這個(gè)變量呢？
你在這門(mén)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(huì)指導(dǎo)你考慮轉(zhuǎn)換這兩個(gè)變量，從而找到 f527-f528 的「黃金特征」。
現(xiàn)在的數(shù)據(jù)集動(dòng)輒就有成百上千個(gè)原始特征，因此這個(gè)方法的重要性與日俱增。
指導(dǎo)未來(lái)數(shù)據(jù)的收集方向
你無(wú)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(huì)擴(kuò)大他們收集數(shù)據(jù)的類(lèi)型。收集新類(lèi)型的數(shù)據(jù)又貴又不方便，所以他們只會(huì)收集值得費(fèi)力氣的數(shù)據(jù)。基于模型的洞察結(jié)果可以讓你更好地理解當(dāng)前特征的價(jià)值，這將幫助你推斷出哪些新價(jià)值是最有用的。
指導(dǎo)人類(lèi)做出決策
有些決策是由模型自動(dòng)做出的——當(dāng)你登錄亞馬遜時(shí)，網(wǎng)站沒(méi)有人在倉(cāng)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(lèi)來(lái)做。就這些決策而言，模型的洞察能力比預(yù)測(cè)能力更有價(jià)值。
建立信任
在沒(méi)有驗(yàn)證基本事實(shí)的情況下，人們不會(huì)相信你的模型，也就不會(huì)根據(jù)你的模型做出重要的決策。就數(shù)據(jù)出錯(cuò)的頻率而言，這是明智的預(yù)防措施。在實(shí)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(hù)對(duì)模型的信任，即便這些用戶(hù)對(duì)數(shù)據(jù)科學(xué)知之甚少也沒(méi)關(guān)系。