可解释机器学习
黑盒模型制作指南。
克里斯托夫 莫纳尔
2019 年 7 月 16 日
前言
机器学习对于改进产品、过程和研究有很大的潜力。但是计算机通常不能解释他们的预测，这是机器学习的一个障碍。这本书是关于使机器学习模型和它们的决策可解释。
在探索了可解释性的概念之后，您将学习简单的、可解释的模型，如决策树、决策规则和线性回归。后面几章重点介绍了解释黑箱模型的一般模型不可知论方法，如特征重要性和累积局部效应，以及用沙普利值（Shapley） 和 LIME 解释个别预测。
所有的解释方法进行了深入的解释和批判性的讨论。他们怎么在引擎盖下工作？他们的优点和缺点是什么？如何解释它们的输出？本书将使您能够选择和正确应用最适合您的机器学习项目的解释方法。
这本书的重点是表格式数据（也称为关系数据或结构化数据）的机器学习模型，而不是计算机视觉和自然语言处理任务。对于机器学习实践者、数据科学家、统计学家以及任何其他对机器学习模型的解释感兴趣的人，推荐阅读本书。
您可以购买PDF 和电子书版本（epub、mobi）
您可以购买打印版本。lulu.com
关于我：我叫克里斯托夫 莫纳尔，我是一个统计学家和机器学习者。我的目标是使机器学习具有可解释性。如果您有兴趣提高机器学习模型的可解释性，请随时联系我！
Mail：christoph.molnar.ai@gmail.com
网站：https://christophm.github.io/
在 Twitter 上关注我！ @ChristophMolnar
知识共享许可
本书采用Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License协议授权。
若有收获，就点个赞吧
0 人点赞
