Thật khó cho tôi để tin rằng bạn đã nghe người ta nói điều này, bởi vì nó sẽ là một điều ngu ngốc để nói. Nó giống như nói rằng bạn chỉ sử dụng búa (bao gồm cả lỗ khoan và để thay đổi bóng đèn), bởi vì nó đơn giản để sử dụng và cho kết quả có thể dự đoán được.
Thứ hai, hồi quy tuyến tính không phải lúc nào cũng "có thể giải thích". Nếu bạn có mô hình hồi quy tuyến tính với nhiều thuật ngữ đa thức, hoặc chỉ có rất nhiều tính năng, sẽ rất khó để giải thích. Ví dụ: giả sử bạn đã sử dụng các giá trị thô của từng trong số 784 pixel từ MNIST † làm các tính năng. Bạn có biết rằng pixel 237 có trọng lượng bằng -2311,67 cho bạn biết bất cứ điều gì về mô hình không? Đối với dữ liệu hình ảnh, nhìn vào các bản đồ kích hoạt của mạng nơ ron tích chập sẽ dễ hiểu hơn nhiều.
Cuối cùng, có những mô hình có thể giải thích như nhau, ví dụ hồi quy logistic, cây quyết định, thuật toán Bayes ngây thơ, và nhiều hơn nữa.
- Như được chú ý bởi Ingolifs trong bình luận, và như được thảo luận trong chủ đề này , MNIST có thể không phải là ví dụ tốt nhất, vì đây là một bộ dữ liệu rất đơn giản. Đối với hầu hết các bộ dữ liệu hình ảnh thực tế, hồi quy logistic sẽ không hoạt động và nhìn vào các trọng số sẽ không đưa ra bất kỳ câu trả lời đơn giản nào. Nếu bạn nhìn gần hơn về các trọng số trong luồng được liên kết, thì cách giải thích của chúng cũng không đơn giản, ví dụ các trọng số để dự đoán "5" hoặc "9" không hiển thị bất kỳ mẫu rõ ràng nào (xem hình ảnh bên dưới, được sao chép từ luồng khác).