机器学习可解释性系列 - 是什么&为什么&怎么做
机器学习可解释性分析
可解释性通常是指使用人类可以理解的方式，基于当前的业务，针对模型的结果进行总结分析；
一般来说，计算机通常无法解释它自身的预测结果，此时就需要一定的人工参与来完成可解释性工作；
目录：
- 是什么：什么叫可解释性；
- 为什么：为什么要对模型结果进行解释；
- 怎么做：如何有效的进行可解释性工作；
是什么
机器学习
介绍可解释性之前，我们先来简单看看什么是机器学习，此处我们主要讨论有监督机器学习，对于无监督、强化学习等不做主要分析；
机器学习是计算机基于数据做出的和改进预测或行为的一套方法，举例说明：
- 房屋价格预测：基于历史房屋的价格以及其他属性信息，训练回归模型，并针对新的房屋进行价格预测；
- 信用卡诈骗检测：基于信用卡历史消费记录等信息，训练分类模型，并针对新的刷卡行为进行异常检测；
有监督学习的目标是学习一个预测模型，将数据特征（建设年份、大小、楼层、地段等）映射到输出（房价），模型算法通过估计参数（权重，比如线性回归）或者学习结构（树型，比如决策树）来学习，过程由一个最小化分数或者损失函数指导，例如在房屋价格预测，则是最小化预测与真实的价格差；
机器学习算法运行在计算机上，从很多方面看是表现是优于人类的，比如速度、稳定性、可复制性等等，即便性能上略逊于人类，但是瑕不掩瑜，但是模型也有它的劣势，那就是计算机通常无法有效的解释模型的预测行为，这里的解释指的是说给人类听，一个深度神经网络可能由几百层网络、百万个参数组成，一个随机森林可能由几百棵决策树组成，不管是在比赛中，还是实际工作中，表现最好的模型往往是复杂的集成模型，这就使得对他们的解释愈发困难，超多的参数、复杂的结构、特征的组合等等都阻挡了我们对结果的直观理解，这在一定程度上伤害着我们对结果的信心；
因此，不管是从对业务扩展、可信度、结果分享中的哪个角度考虑，可解释性都是机器学习中重要且有必要的一环；
可解释性
可解释性的一个特殊点在于它的衡量没有一个量化的数学方法，主观的定义是可解释性是人们能够理解模型决策原因的程度，这种理解是基于实际数据和业务下的理解，假设一个线性模型做房屋预测，模型中房屋大小对房价影响最大，那么这个结果是很容易理解的，也符合我们的主观认知，如果换成深度神经网络来做预测，或者先对数据做了PCA等处理后再做预测，结果往往是人类没法直接理解的，那么从解释性上看，明显第一个模型的解释性更好；
为什么
进行可解释性的原因：
- 知其然更要知其所以然：人类的好奇心驱使下，问为什么是很正常的一种思维，如果不能解释预测结果，那么就无法让人们完全信任这个结果（现代医学中西医的接受度要高于中医，除了科学带来的普适性之外，西医的可解释性明显要优于中医，给人感觉更放心）；
- 从实际业务上考虑，假设我们的模型预测不给某人发放信用卡，那也应该提供一个不能发放的原因给到办理业务的人员，另外针对某些特殊场景，比如癌症检测、自动驾驶等涉及人身安全的问题上，可解释性提供了后续问题复盘的基础；
可解释性让我们更容易检查以下性质：公平性、隐私、可靠性、因果关系、信任；
怎么做
可解释性方法分类
针对不同类型的模型可以使用不能的可解释性方法：
- 本质的：本质上可解释模型（比如短决策树、简单线性模型等），这一类模型由于自身的简单性，可以针对其结果、回归权重等直接进行解释；
- 模型无关的：对于更普遍的情况，即复杂模型的解释，需要使用模型无关方法，比如个体条件期望、特征交互、累计局部效应图等；
实际工作中上述两类方法都会使用，我一般的流程是先易后难，先从最简单的方法开始进行可解释性工作；
可解释性评估
目前针对机器学习的可解释性没有统一的达成共识的标准，但是也有了一些初步的评估方法：
- 应用级评估：由最终产品的使用用户来评估其解释性的好坏；
- 人员级评估：类似应用级评估，区别是由测试人员代替最终用户，优点是更廉价，缺点是效果与最终用户会有差异，尤其是在某些专业领域，比如医学等方面的机器学习产品；
- 功能级评估：代理型解释，例如我们用SVM训练模型并预测房屋价格，使用局部代理方法（比如决策树）来解释SVM的预测结果，也就是复杂模型做业务，简单模型解释其结果；
PS：在我们的乘客聚类项目中，一部分解释性工作就类似代理型解释，KMeans做聚类，随机森林、逻辑回归解释结果；
解释方法的性质
性质是用于判断解释方法自身好坏的方法，目前一个最大的难点在于大多数性质都没法量化：
- 表达能力：表达能力越好的解释方法越能解释复杂模型的预测结果，目前来看最好的表达能力是对深度神经网络的解释，这一点也是很多大佬们的研究方向；
- 半透明度：依赖于被解释算法模型的程度，例如对于本质上可解释的模型的解释方法就是高度透明的，而那些模型无关的算法则半透明度基本为0，高透明度的优点是可以基于模型更多信息来解释，而低透明度优点在于移植性好；
- 可移植性：与解释方法与被解释模型的依赖程度成反比，因此模型无关的解释方法的可移植性是最好的；
- 算法复杂度：解释方法自身算法的计算复杂度；
单个解释的性质：准确性、保真度、一致性、稳定性、可理解性、确定性、重要程度、新颖性、代表性；
人性化的解释
对外输出结果时，什么叫做好的解释，人文科学研究表示：人类更喜欢较短的解释，将正反两面进行对比，异常情况单独进行说明；
- 解释具有对比性：人们关心的通常不是某个房屋为什么被预测为100w，而是两个情况类似的房屋，为什么一个比另一个贵10w，因此解释的重点在于说明两个例子的差异，形成对比，这种强烈的对比感是人们容易接受的；
- 选择性的解释：针对真实情况，只选择其中有代表性的几个原因组成解释，使得解释更简短；
- 解释是社会性的：针对不同的被解释人群进行区分对待，对于专业人员，可以更多从模型算法出发，对于其他岗位同事可以更多从业务等领域出发；
- 异常要重点解释：异常虽然在指标上没有突出的体现（过于关注指标的表现会忽略藏在其中的异常例子），但是异常很吸引人们的注意力，因此对于异常例子的重点解释是很重要的；
- 解释是真实的：对于某些例子的解释应该同样适用于其他例子，至少是类似的例子上；
- 好的解释与被解释着的先验知识是一致的：人类由于认知偏差会更相信自己知道的，比如我们都认为房子越大价钱越贵，那么如果模型在某一类房屋上给出了面积越大，价钱便宜这样一个解释，这是很难被人们接收的，但是事实上模型为了更好的性能，可能进行了复杂的特征交互、组合得出的结果，结果是对的，但是它的解释却很难被接受；
- 好的解释是普遍性和很可能的：比如房子越大价钱越贵，这就是一个普遍性很高的解释，也确实很可能；
后续
后续会继续出可解释性相关文档，预计包括自身可解释模型（线性回归、逻辑回归、决策树等）、模型无关的解释方法、工作中的真实项目中的解释性工作；
最后
本文基于《可解释性的机器学习》，作者 Christoph Molnar，译者 朱明超；
