可解释机器学习Topic推荐-AMiner

AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

必读论文：https://www.aminer.cn/topic

在机器学习的场景中，可解释性（interpretability）表示模型能够使用人类可认知的说法进行解释和呈现。机器学习模型的可解释性越高，人们就越容易理解为什么做出某些决定或预测。其重要性体现在：建模阶段，辅助开发人员理解模型，进行模型的对比选择，必要时优化调整模型；在投入运行阶段，向业务方解释模型的内部机制，对模型结果进行解释。

该论文集共收录74篇论文，引用最多的论文为Pegasos: primal estimated sub-gradient solver for SVM，引用数是2283。

论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd79

订阅了解更多论文信息，定制您的个人科研动态信息流：https://www.aminer.cn/user/notification?f=mt