Interpretando Modelos de Machine Learning

Uma introdução

Nessa série de 6 postagens vamos deixar o básico da predição de lado e nos debruçar sobre um aspecto mais artesanal da ciência de dados e do machine learning, como interpretar, tirar insights e entender o que se passa dentro dos algoritmos. Não é um assunto trivial e está longe de ter sido esgotado. Nessa série de postagens vamos começar pelos modelos mais simples de estatística e como fazemos modelagem até os modelos mais sofisticados de ensambles e Deep Learning tentando desvendar os porquês de uma predição.

A sugestão inicial para o conteúdo dessa série será a seguinte:

Parte 0 — O que é Ciência de Dados e o Cientista de dados
Parte1 — Introdução a Interpretabilidade(este post)
Parte 2 — Interpretando modelos de alto viés e baixa variância.
Parte 3 — Interpretando modelos de baixo viés e alta variância.
Parte 4 — É possível resolver o trade-off entre viés e variância?
Parte 5 — Métodos Locais de interpretabilidade.
Parte 6 — Métodos Globais de interpretabilidade. Com Teoria dos Jogos e Shapley Value.

Do que estamos falando?

Para entendermos como interpretar algoritmos de machine learning, primeiro vamos entender o que é um algoritmo de machine learning.