可解释性机器学习

在这里插入图片描述

地址:

原书-英文版

中文翻译版-更新中

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。

目录

前言

第一章 引言

第二章 解释性

第三章 数据集

第四章 解释模型

第五章 模型不可知论方法

第六章 基于实例的解释

第七章 神经网络解释

第八章 水晶球

第九章 贡献

第十章 引用本书

Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐