线性回归模型是白盒模型且可解释吗？

可解释人工智能（XAI）是一套应用于或嵌入到机器学习模型中的工具和算法，用于理解和解释模型。它们特别推荐用于复杂或先进的模型，如深度神经网络，因为从人类视角看，它们不可解释。相反，简单模型如线性回归容易实现，计算复杂度较低，输出也容易可视化。文献中常见的观点是，简单模型如线性回归被视为“白盒模型”，因为它们更具可解释性和更易理解。这基于线性回归模型具有若干有利结果的观点，包括特征在模型中的作用以及它们是正面还是负面影响模型输出。此外，还可以使用置信区间来测量或估计模型的不确定性。然而，我们认为这种观念并不准确，线性回归模型在考虑常见XAI指标和可能面临的挑战时，并不容易解释或理解。这包括线性关系、局部解释、多重共线性、协变量、归一化、不确定性、特征贡献和公平性等问题。因此，我们建议，在可解释性和可解释性方面，应将所谓的简单模型与复杂模型平等对待。