机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。
《可解释机器学习：黑盒模型可解释性理解指南（第2版）》探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。
《可解释机器学习：黑盒模型可解释性理解指南（第2版）》深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制，各自的优缺点，如何解释它们的输出结果。本书将帮助读者选择并正确应用最适用于特定机器学习项目的解释方法。
《可解释机器学习：黑盒模型可解释性理解指南（第2版）》适合机器学习从业者、数据科学家、统计学家及任何对机器学习模型可解释性感兴趣的读者阅读。
作者简介:
Christoph Molnar，可解释机器学习研究员，目前在德国慕尼黑大学统计研究所攻读博士学位，目标是让机器学习模型的决策更容易被人类理解。著作Interpretable Machine Learning 受到业界高度关注。 译者简介 郭涛，主要从事人工智能、智能计算、概率与统计学、现代软件工程等前沿交叉研究。出版多部译作，包括《深度强化学习图解》《机器学习图解》《集成学习实战》。
目录:
第1 章 引 言 1
第2 章 可解释性 11
第3 章 数据集 27
第4 章 可解释模型 30
第5 章 模型不可知方法 91
第6 章 基于样本的解释 93
第7 章 全局模型不可知方法 95
第8 章 局部模型不可知方法 148
第9 章 神经网络可解释性 198
第10 章 透视水晶球 239
点击下载