Lilian Weng — Lil’Log·· 2017-08-01AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
如何解释机器学习模型的预测结果？
How to Explain the Prediction of a Machine Learning Model?
AI 导读
机器学习模型正进入医疗、司法与金融等关键领域，但深度神经网络天生是黑盒，难以解释其决策过程。文章梳理了可解释模型的方法，包括线性回归用系数或 $w_i x_i$ 衡量特征贡献、Naive Bayes 通过后验概率衡量单特征影响，以及决策树/决策列表（如 FRL、BRL、IDS）。作者还指出随机森林并非黑盒，可用平均不纯度下降衡量全局特征重要性。
来源：Lilian Weng — Lil’Log · lilianweng.github.io