機器學習是當今的時髦詞。它的應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。隨著電腦在圍棋等游戲中擊敗了專業(yè)人士，許多人開始質疑電腦是否也能讓司機、甚至醫(yī)生變得更好。

許多最先進的機器學習模型在功能上都是黑盒，因為幾乎不可能對其內(nèi)部工作原理有任何感覺。這給我們帶來了一個信任的問題:我是否相信模型中的某個預測是正確的?或者我是否相信模型總體上做出了合理的預測?雖然圍棋的賭注很低，但如果一臺電腦取代了我的醫(yī)生，或者決定我是否恐怖主義嫌疑人(有興趣的人嗎?)或許更常見的情況是，如果一家公司正在用基于機器學習的系統(tǒng)替換某些系統(tǒng)，它必須相信機器學習模型將表現(xiàn)得相當好。

從直覺上看，解釋單個預測背后的基本原理，將使我們更容易信任或不信任預測，或整個分類器。即使我們不能理解模型在所有情況下的行為，也有可能(實際上在大多數(shù)情況下)理解它在特定情況下的行為。

最后，我要說的是準確性。如果您有機器學習的經(jīng)驗，我敢打賭您一定會這樣想:“我當然知道我的模型在現(xiàn)實世界中會表現(xiàn)得很好，我的交叉驗證準確度真的很高!”為什么我要去理解它的預測呢? 99%的時候我都知道它是對的。

任何在現(xiàn)實世界中(不僅僅是在靜態(tài)數(shù)據(jù)集中)使用過機器學習的人都可以證明，交叉驗證的準確性可能非常具有誤導性。有時，不應該是可用的數(shù)據(jù)會意外地泄漏到培訓數(shù)據(jù)中。

有時候，您收集數(shù)據(jù)的方式引入了現(xiàn)實世界中不存在的相關性，而這正是模型所利用的。許多其他棘手的問題可以讓我們錯誤地理解性能，甚至在做a /B測試時也是如此。我不是說您不應該測量準確性，只是說它不應該是您評估信任的唯一標準。

機器學習是門復雜的多領域交叉學科，如果想要深入了解機器學習，還需多瀏覽書籍，以及在實戰(zhàn)中進行學習。

想了解更多IT資訊，請訪問中培偉業(yè)官網(wǎng)：中培偉業(yè)