为什么像xgboost这样的机器学习算法不能在生产环境中使用？
Why machine learning algorithms like xgboost cannot be used in the production environment?
我是一名数据科学家，我在工作场所看到所有主要的生产解决方案最多都涉及随机森林。
为什么像xgboost这样的机器学习算法不能在生产环境中使用？为什么需要再现性？
我不能代表所有人，但在大多数情况下，您需要有一个决定的理由。您需要能够说服您的 clients/your 老板这是正确的 decision/prediction。如果您使用神经网络或其他黑盒模型，您只有结果预测，如果幸运的话还有置信度估计。
"White box" models or models which can be interpreted 更好，因为你可以指出样本的特定特征，并说这些是产生预测的原因。决策树（但不太深）或简单的阈值属于此类。
如果我正确理解xgboost的概念，你训练你的新树来纠正之前树的错误。这意味着树不是独立的，因此很难解释。
我已经看到 xgboost 在生产中使用了很多次，我自己也使用过它（在 python 和 java 工人中），如果它能提供更好的结果，我会推荐它例如随机森林（通常会发生）。
我是一名数据科学家，我在工作场所看到所有主要的生产解决方案最多都涉及随机森林。
为什么像xgboost这样的机器学习算法不能在生产环境中使用？为什么需要再现性？
我不能代表所有人，但在大多数情况下，您需要有一个决定的理由。您需要能够说服您的 clients/your 老板这是正确的 decision/prediction。如果您使用神经网络或其他黑盒模型，您只有结果预测，如果幸运的话还有置信度估计。
"White box" models or models which can be interpreted 更好，因为你可以指出样本的特定特征，并说这些是产生预测的原因。决策树（但不太深）或简单的阈值属于此类。
如果我正确理解xgboost的概念，你训练你的新树来纠正之前树的错误。这意味着树不是独立的，因此很难解释。
我已经看到 xgboost 在生产中使用了很多次，我自己也使用过它（在 python 和 java 工人中），如果它能提供更好的结果，我会推荐它例如随机森林（通常会发生）。