14.2 模型内在可解释性：线性模型、决策树与注意力权重
14.2 模型内在可解释性：线性模型、决策树与注意力权重
模型内在可解释性指模型的结构或参数本身直接提供了对其预测逻辑的理解，无需借助额外的、事后生成的解释工具。与事后解释方法（如LIME、SHAP）相比，内在可解释模型因其决策过程透明，在高风险领域（如医疗诊断、金融风控）中通常更受信赖。本节将深入探讨三类具有内在可解释性的代表性模型：线性模型、决策树以及基于注意力权重的深度模型，并分析其原理、优势与局限性。
14.2.1 线性模型的系数可解释性
线性模型，包括线性回归、逻辑回归以及广义线性模型，其可解释性直接源于模型参数的线性组合形式。对于一个具有p pp个特征的输入向量x = [ x 1 , x 2 , . . . , x p ] T \mathbf{x} = [x_1, x_2, ..., x_p]^Tx=[x1,x2,...,xp]T，线性模型的预测输出可以表示为：
f ( x ) = β 0 + β 1 x 1 + β 2 x 2 + . . . + β p x p f(\mathbf{x}) = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + ... + \beta_p x_pf(x)=β0+β1x1+β2x2+...+β