Autor: Zen e a arte da programação de computadores
1. Introdução
Com o desenvolvimento da tecnologia de aprendizado de máquina, aprendizado profundo, automação e programação, mais e mais empresas usarão a tecnologia de aprendizado de máquina para tomar decisões de negócios. Mas para este modelo de “caixa preta”, como fornecer aos clientes ajuda real e eficaz é uma questão importante.
Tradicionalmente, a explicação dos modelos de aprendizado de máquina muitas vezes adota uma abordagem de caixa preta, ou seja, apenas os resultados do modelo são mostrados sem explicar detalhadamente como o modelo funciona. Isso é muito difícil para pessoas não técnicas entenderem e se comunicarem. Portanto, é necessário melhorar a transparência do modelo neste sentido, de forma a atingir o objetivo de melhorar a qualidade do produto e o nível de serviço.
Para melhorar a interpretabilidade dos modelos de aprendizado de máquina, podemos partir dos três aspectos a seguir:
- Fornece uma representação de modelo mais intuitiva;
- Utilize técnicas de visualização para visualizar o funcionamento interno do modelo;
- A saída do modelo é ponderada e a função funcional e a correlação dentro dele são analisadas.
Com base nesses pontos de vista, este artigo tenta explicar o modelo caixa preta por meio da tomada de decisões empresariais.
2. Explicação de conceitos e termos básicos
2.1 Modelo
No aprendizado de máquina, um modelo refere-se a uma previsão ou inferência feita sobre os dados. Normalmente, um modelo consiste em variáveis de entrada e variáveis de saída e pode ser treinado ou aprendido. O valor da variável de saída depende do valor da variável de entrada.
2.2 Função objetivo
A função objetivo refere-se à função utilizada para medir a exatidão, precisão ou outros indicadores de desempenho obtidos pelo modelo durante o processo de treinamento. A função objetivo é otimizada ajustando os parâmetros do modelo (os parâmetros incluem pesos e itens de tendência, etc.).
2.3 Recursos
Um recurso é uma variável que afeta uma saída