想让机器学习与商业结合，最重要的是什么？(17)_全文共6008字

\n \n

处理此类问题的一个可行办法是计算特征重要度，从Random Forests Decision Trees和XGBoot等算法中可以得到此数据。另外， LIME或SHAP等算法则有助于解释模型和预测，即使其源于神经网络或其它“黑盒”模型。

\n \n

调整超参数

\n \n

机器学习算法有参数和超参数两类参数。其不同之处在于：前者直接由算法进行估测——如，回归的系数或神经网络的权值——而后者则并非如此，须由用户手动设置——如，某片森林的树木总数，神经网络的正则化方法，或支持向量机的内核功能。

\n \n

为机器学习模型设置正确的超参数值十分重要。举例而言，一个支持向量机的线性内核不能对无法线性分离的数据进行分类。再比如，如果最大深度和分裂数量设置得过高，一个树型分类器可能出现过度拟合的情况；而最大特征数量设置过低，其可能无法充分拟合。

\n \n

为超参数找到最优数值是一个极为复杂的优化问题。以下是几点建议：

想让机器学习与商业结合，最重要的是什么？(17)