4.13 解释模型
我们常常不只想知道观测的正确类别，还想知道分类器为何作出某个决定，即希望决策具有可解释性（interpretability）。可解释性很难严格定义，但核心思想是：作为人类，我们应当知道算法为何得出其结论。
逻辑回归的特征往往由人设计，因此理解分类器决策的一种方式，是考察每个特征在决策中的作用。逻辑回归可与统计检验（如似然比检验或 Wald 检验）结合；检查某个特征在这些检验中是否显著，或查看其权重 的大小，都有助于解释分类器为何作出某个判断。这对于构建透明模型极其重要。
除了作为分类器，逻辑回归在 NLP 及许多其他领域也被广泛用作分析工具，以检验各种解释变量（特征）的影响。例如，在文本分类中，我们可能想知道逻辑否定词（no、not、never）是否更容易与负面情感相关，或者电影的负面评论是否更常谈论摄影。但进行此类分析时，必须控制潜在的混杂因素（confounds），即其他可能影响情感的因素，如电影类型、制作年份或评论长度。
我们也可能研究由 NLP 提取的语言特征与非语言结果（如再次入院、政治结果或产品销量）之间的关系，同时需要控制病人年龄、投票所在县或产品品牌等混杂因素。在这些情形下，逻辑回归可以检验：排除其他特征的影响后，某一特征是否仍与某一结果相关。