机器学习的可解释性Explainable ML
- 作用:基于机器学习的可解释性我们可以优化机器学习模型
- 线性模型虽然容易解释,但不够强大,深度学习的模型强大,但不容易解释
Explainable ML包括Local Explaination和Global Explaination:
- Local Explaination:针对个例解释什么特征让机器得出结果
- Global Explaination:针对辨别方法解释
Local Explaination:
例如一个模型输入一张图片x,这张图片可以拆成多个组件{x1,x2,…},在这些组件中哪一个对机器做出最终决断最重要
方法:可以依次把每个组件改造或删除,看那个组件对机器得出结果影响最大
输入图片,写作像素{x1,x2,…,xn},计算图片的Loss,记为e(e越大表示和和正确答案越大)
做改变:
计算:,得到某个像素对结果的重要性
图中白色的点就是通过以上方法得到对结果影响重要的像素点
Global Explaination:
- 不是针对某特定个例来解释,而是把训练好的模型拿出来,根据模型中的参数检查,对这个Network而言一只猫长什么样;对训练好的Network,要针对任何图片分析
例如:我们想要知道什么样的图片在这个Network的认识中最像一只猫
方法:可以制造一张图片,让机器画出他认为最像猫的图片
设图片的参数为,让机器找出让结果最大的X*,转回图片就是机器画出的他认为最像猫的图片
机器直接找出的照片,人却很难分辨;所以可以使用Generator,训练出一个Generator用于产生图片:
向Generator输入低纬向量z,输出X,再把X输入图片分类的Network得到分数,找生成图片中分数高的就是图片分类的Network认为最像猫的样子
标签:机器,Network,模型,解释性,学习,Explaination,图片 From: https://www.cnblogs.com/TianLiang-2000/p/17571830.html