可解释机器学习论文集

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。