详细内容或原文请订阅后点击阅览
设计值得信赖的ML模型：Alan＆Aida发现机器学习中的单调性
精确度不能保证可信度。单调性确保预测与常识和业务规则保持一致。设计值得信赖的ML模型：Alan＆Aida发现机器学习中的单调性首先出现在数据科学方面。
来源:走向数据科学机器学习模型很强大，但有时它们会产生破坏人类直觉的预测。
想象一下：您正在预测房价。预测2,000平方英尺的房屋比1,500平方英尺的房屋便宜。听起来错了，对吧？
这是单调性约束所在的地方。它们确保模型遵循我们期望的逻辑业务规则。
单调性约束让我们跟随两个同事艾伦和艾达，以了解为什么单调性在机器学习中很重要。
alan aida故事：Alan＆Aida的发现
Alan是一名实用工程师。艾达（Aida）是一位有原则的科学家。他们共同建立了房屋价格预测模型。
艾伦自豪地向艾达展示了他的模型结果：
“看！r²很棒，错误很低。我们准备部署！”
Aida将模型取出测试：
- 对于拥有1500平方英尺的房屋→型号预测$ 300,000的房屋，用于拥有2000平方英尺的房屋→型号预测$ 280,000😮
艾达（Aida）看着预测时皱眉：
“等一下……为什么这个2,000平方英尺的房屋预测比1,500平方英尺的房屋便宜？这没什么意义。”
艾伦耸耸肩：
“那是因为模型在训练数据中发现了噪音。这并不总是合乎逻辑的。但是，准确性总体好。还不够吗？”
艾达摇了摇头：
“不是真正的。值得信赖的模型不仅必须准确，而且还必须遵循逻辑人们可以信任的。如果更大的房屋有时看起来更便宜，客户就不会信任我们。我们需要保证。这是一个单调性问题。”
单调性问题这样，艾伦（Alan）就学会了他的下一个大型ML课程：指标并不是一切。
ML中的单调性是什么？
Aida解释：
“单调性 单调增加。 单调减少Alan得出结论：
“这里的单调性很重要，因为它：
- 与业务逻辑，和Improves的信任和解释性保持一致。”