知识卡片
两类从业者对模型的期待
模型使用者可能分别侧重预测质量与业务可理解性:前者关注独立评价指标,后者还需要把预测转成可交流、可质疑的结论。这是任务侧重的区别,不是两类职业的固定边界,也不说明传统模型永远更可解释或网络永远更准确。[[黑盒模型与白盒模型的取舍]]应服务具体用途;可解释模型本身也不自动揭示因果。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第11章 机器学习模型可解释性 11.1 模型的可解释性 · 查看原书依据
对于数据科学领域中的建模工作者来说,作为业务驱动的实践者,在业务中的洞见是影响管理者做出业务决策的“导航仪”,甚至影响着企业整体战略的走向。因此,在多数任务场景中,仅有良好的预测结果是不够的。这导致模型在性能上需要做出一些牺牲,建模之前需要在精度和解释能力之间进行权衡和取舍,最终不得不使用更传统的机器学习模型,如线性回归、决策树,而不是复杂深度学习模型来解决实际问题。
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第11章 机器学习模型可解释性,11.1 模型的可解释性(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0061.xhtml)
- 结论依据:原文明确"算法工程师……更偏好具有较好精度、能够表征非线性关系的复杂深度学习神经网络模型",而数据科学工作者"在多数任务场景中,仅有良好的预测结果是不够的……最终不得不使用更传统的机器学习模型,如线性回归、决策树,而不是复杂深度学习模型"。
- 原始内容:对于数据科学领域中的建模工作者来说,作为业务驱动的实践者,在业务中的洞见是影响管理者做出业务决策的“导航仪”,甚至影响着企业整体战略的走向。因此,在多数任务场景中,仅有良好的预测结果是不够的。这导致模型在性能上需要做出一些牺牲,建模之前需要在精度和解释能力之间进行权衡和取舍,最终不得不使用更传统的机器学习模型,如线性回归、决策树,而不是复杂深度学习模型来解决实际问题。