Hazelnut

这篇文章将解释介绍可解释机器学习模型一系列的最后一种可解释机器学习模型：朴素贝叶斯分类器。对于每个特征，朴素贝叶斯分类器根据特征的值计算一个类的概率。

本文介绍了 RuleFit 算法，RuleFit 学习具有原始特征的稀疏线性模型以及作为决策规则的许多新特征。

本文介绍了基于 IF-THEN 的可解释机器学习模型：决策规制。介绍了几种经典的构建决策规则学习的算法。分析了决策规制的优缺点。

对于决策树，我们并不陌生。生活中我们会用决策树的方法来思考一些问题。 本文介绍了决策树在机器学习里的解释和优缺点。

线性回归模型对于特征值的假设，在现实中经常不成立。本文介绍了广义线性模型 (GLM) 和广义加性模型 (GAM)，以解决这一问题。

本文将介绍可解释机器学习模型-逻辑回归模型。逻辑回归模型不仅是一个分类模型，而且还提供了概率。与只能提供最终分类结果的模型相比，这是一个很大的优势。

实现机器学习可解释性的最简单方法，是只使用可解释的机器学习模型创建算法。线性回归是可解释性的机器学习模型之一。本文将介绍什么是线性回归，以及线性回归的解释性。

数据库范式是数据库原理的重要知识点，然而数据库范式的语言描述让人十分难以理解，本文将通过数据表的实例，帮助理解数据库范式。

在数据库中，有一个主要的概念：事务。本文将介绍 XA 事务的概念，以及 MySQL 中的 XA 事务的类型和常见用处。