06 2020 档案
摘要:
一直在关注可解释机器学习领域,因为确实在工作中有许多应用
模型检查,特征重要性是否符合预期和AUC一样重要
模型解释,比起虚无缥缈的模型指标,解释模型学到的规律更能说服业务方
样本解释,为什么这些用户会违约,是否有指标能提前预警?
决策归因,有时模型只是提取pattern的方式,最终需要给到归因/决策,例如HTE模型和XAI结合是否也是一种落地方式
阅读全文

摘要:
xDeepFM用改良的DCN替代了DeepFM的FM部分来学习组合特征信息,而FiBiNET则是应用SENET加入了特征权重比NFM,AFM更进了一步。在看两个model前建议对DeepFM, Deep&Cross, AFM,NFM都有简单了解,不熟悉的可以看下文章最后其他model的博客链接。 以
阅读全文
