选择可解释性高的机器学习模型，而不是决策风险高的黑匣子模型( 七 )_作者|AdrianColyer,VenturePartner,Acc

在寻找可解释的机器学习模型时经常遇到的三个常见挑战：第一个挑战是如何构建最佳逻辑模型，第二个挑战是如何构建最佳（稀疏）评分系统，第三个挑战是如何定义特定领域中的可解释性意味着什么。 \r\n4.1 逻辑模型\r\n逻辑模型只是一堆if-then-else语句！这些都是分析师手动去敲的，已经有很长时间了。对于给定的精度水平，理想的逻辑模型将具有最少数量的分支。 CORELS 是一种旨在查找此类最佳逻辑模型的机器学习系统。下面是一个示例输出模型，其对佛罗里达州Broward County的数据具有与黑盒COMPAS模型相似的准确性：\r\n

\r\n请注意，图形标题将其称为“机器学习模型” 。该术语在我看来似乎不太正确。这是一个机器获悉-model和CORELS是机器学习模型产生的，但是IF-THEN-ELSE语句本身并不是一个机器学习模型。但是， CORELS看起来非常有趣，我们将在下一版《晨报》中对其进行更深入的研究。 \r\n4.2 计分系统\r\n计分系统在医学中普遍使用。我们对最佳评分系统感兴趣，这些评分系统是机器学习模型的输出，但看起来它们可能是人为产生的。例如：