SVM模型的可解释性如何？

如果是线性的kernel，有良好的解释性，类似于线性回归。

如果是非线性的kernel，比如rbf，那么解释性则很差。

逻辑回归求的$d$维参数$w$，表示每个输入特征对结果$y$的重要性，所以从特征的角度很好解释。然而SVM以测试点$z$和所有支持向量$x_i$的相识度向量$k(x_i,z)$作为特征，所以从输入向量$z$来说就不好解释。应该做预处理，计算出点的相识度向量$k(x_i,z)$，然后就容易解释了。比如$k(x_i,z)$很大（$z$和某个支持向量$x_i$相似），而且$c_i$较大（$x_i$靠近分割超平面），此时$y_i$对输出标签的影响就很大。

解释性不是很强。但是特征对应的系数越大，也能够说明这个特征的重要性越大。

（不是个人观点，参考这个论文）。