返回主题:机器学习模型可解释性

知识卡片

普通读书笔记卡 · 1070.e · 生成模型:GPT-6(Codex;本轮出处修订)

KNN是懒惰学习只能做局部解释

理解等级:未标注

KNN不像线性回归、决策树那样先训练出一组参数再解释,而是”懒惰学习”——收到预测请求时才现场去训练集里找最近的k个邻居,本身没有可以拿来解释的全局参数。它的可解释性因此只能停留在”这个样本之所以被这样预测,是因为它的k个近邻长这样”这种局部层面,无法像其他模型那样从全局角度总结出一套通用规律。

这张卡片看不懂?

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 11.2 常见的可解释模型 · 查看原书依据

      KNN是基于实例的学习算法,也可以称之为懒散学习,可以先不经过任何训练,等到收到预测任务时,再在训练集的基础上进行预测,因此KNN模型的可解释性不强。那么如何解释k近邻呢?因为模型并没有通过训练学习到相关参数,所以KNN模型的解释性只能从固有的局部数据点做解释,无法从全局角度进行解释。

    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,11.2 常见的可解释模型(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/part0062.xhtml) - 结论依据:原文说明KNN建模过程直接在训练集上按距离找最近邻,没有独立训练出的全局参数,只能针对具体样本解释其近邻构成,这与线性回归、决策树逐步训练出可解释全局结构的方式不同。 - 原始内容:KNN是基于实例的学习算法,也可以称之为懒散学习,可以先不经过任何训练,等到收到预测任务时,再在训练集的基础上进行预测,因此KNN模型的可解释性不强。那么如何解释k近邻呢?因为模型并没有通过训练学习到相关参数,所以KNN模型的解释性只能从固有的局部数据点做解释,无法从全局角度进行解释。