Amazing Things Come From Having Many Good Models

“罗生门效应”是由Leo Breiman创造的术语，用来描述同一数据集存在许多同样好的预测模型的现象。当这种现象发生时，它会引起人们的惊奇和困惑，但更多的是惊奇。在罗生门效应的启发下，这篇文章提出了重新塑造我们对机器学习的思考方式，特别是对于非确定性（嘈杂）环境下的表格数据问题。我们讨论了罗生门效应对以下方面的影响：（1）简单而准确的模型的存在，（2）灵活性，以满足用户偏好，如公平性和单调性，而不失去性能，（3）预测、公平性和解释的不确定性，（4）可靠的变量重要性，（5）算法选择，具体而言，提供哪些算法可能适用于给定问题的高级知识，以及（6）公共政策。我们还讨论了罗生门效应何时发生以及原因。我们的目标是说明罗生门效应如何对社会中复杂问题的机器学习应用产生巨大影响。

探讨Rashomon Effect现象对机器学习在复杂问题中的应用

重新思考机器学习在非确定性（噪声）环境下的应用，包括简单而准确的模型的存在、灵活性、不确定性、可靠的变量重要性、算法选择和公共政策等方面。

论文提出了Rashomon Effect现象及其在机器学习中的影响，探讨了机器学习在非确定性环境下的应用，提供了一些解决方案和理论支持。实验使用了多个数据集，包括开源数据集，并提供了代码。

相关研究包括：1. Breiman提出的Rashomon Effect现象；2. 关于模型不确定性的研究；3. 关于公平性和可解释性的研究；4. 算法选择和自动机器学习的研究。