인지적인 기계 학습 모델은 인간에게 이해하는 결정을 만들기 위해 설계되었습니다. 그들은 투명성과 신뢰가 의료, 금융, 법률 시스템과 같은 중요 한 분야의 필수입니다. 이 문서는 같은 모델 건물의 주요 원칙과 실용적인 예를 다룹니다.

설명 가능한 기계 학습의 원리

건물 설명 모델은 우선권, 해석성 및 단순성 우선권화에 포함. 이 원칙은 사용자가 자신의 예측에 도착하는 방법을 이해하고 신뢰와 책임감을 촉진하는 데 도움이.

설명 방법

몇몇 방법은 모형 Describability를 강화하는 존재합니다:

  • 특성: 모델의 결정에 영향을 미치는 특징을 식별합니다.
  • 부분의 의존도:]기능과 예측 사이의 관계를 표시합니다.
  • Local 설명: LIME 또는 SHAP과 같은 기술을 사용하여 개별 예측을 설명합니다.
  • Decision tree: 간단히 사용해서, 불행히도 해석할 수 있는 규칙 기반 구조.

실제 예제

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

scikit-learn, LIME, SHAP과 같은 도구는 설명 가능한 모델의 개발을 촉진합니다. 그들은 기능 영향을 시각화하고 비 기술적인 이해 관계자에 접근 할 수있는 설명을 생성합니다.