机器学习中的可解释性是什么？

Question

我今天读了这一行： 通过添加更多特征或变量，每次回归都会变得更好...但是添加更多特征会增加复杂性并降低模型的可解释性。 我无法理解什么是可解释性？ （在Google上搜索了它，但仍然没有得到它）​​

请帮助谢谢

Answer 1

我要说的是，回归问题中的可解释性是您可以向非统计学家/领域专家解释模型的结果。

例如：您尝试根据许多变量（包括性别）来预测人数。如果使用线性回归，则可以说如果人是男人（与女人相比），则模型会将预测的大小增加20cm（例如，再次）。领域专家将了解解释变量与预测结果之间的关系，而无需了解统计信息或线性回归的工作原理。

---

此外，我不同意添加更多特征或变量始终可以改善回归结果这一事实。

• 什么是更好的回归？改进所选指标？对于训练还是测试集？ “更好的回归”没有任何意义...
• 如果我们假设更好的回归是更好地预测新数据集目标的回归，则更多变量并不总是会提高预测能力，尤其是在没有正则化的情况下（如果添加的功能包含期货变量或还有很多其他情况。