Machine learning 机器学习中的可解释性是什么？
我今天读到这句话： 随着更多特征或变量的添加，每次回归都会变得更好。。。但添加更多的特性会增加复杂性，并降低模型的可解释性。 我无法理解什么是可解释性？（在谷歌上搜索，但仍然没有得到）Machine learning 机器学习中的可解释性是什么？,machine-learning,Machine Learning,我今天读到这句话： 随着更多特征或变量的添加，每次回归都会变得更好。。。但添加更多的特性会增加复杂性，并降低模型的可解释性。 我无法理解什么是可解释性？（在谷歌上搜索，但仍然没有得到） 请帮助，谢谢你我想说，回归问题的可解释性是指你可以向非统计学家/领域专家解释模型的结果 例如：你试图根据许多变量预测人的大小，包括性别。如果你使用线性回归，你将能够说，如果一个人是男性（与女性相比），那么模型将在预测尺寸的基础上增加20厘米（再次举例）。领域专家将理解解释变量和预测结果之间的关系，而不理解统计学或
请帮助，谢谢你我想说，回归问题的可解释性是指你可以向非统计学家/领域专家解释模型的结果 例如：你试图根据许多变量预测人的大小，包括性别。如果你使用线性回归，你将能够说，如果一个人是男性（与女性相比），那么模型将在预测尺寸的基础上增加20厘米（再次举例）。领域专家将理解解释变量和预测结果之间的关系，而不理解统计学或线性回归的工作原理
此外，我不同意增加更多的特征或变量总是能改善回归结果这一事实
- 什么是更好的回归？choosen指标的改进？用于培训或测试集？“更好的回归”并不意味着什么
- 如果我们假设更好的回归是一种更好地预测新数据集目标的回归，那么更多的变量并不总能提高预测能力，特别是在没有正则化的情况下，如果添加的特征包含未来变量或许多其他情况