説明
解釈可能な機械学習は、機械学習モデルとその決定を解釈可能にすることに専念した書籍です。この書籍は、コンピュータが予測を説明しないという一般的な問題に対処しており、これが信頼の問題や未発見のバグにつながる可能性があります。解釈可能性の概念を探求し、決定木や線形回帰のようなシンプルなモデルを紹介します。個々の予測を説明するためのLIMEやシャプレー値などのモデルに依存しない手法、一般的な特徴と予測の関係を理解するための置換特徴重要度に焦点を当てています。また、深層ニューラルネットワークに特有の手法も扱っています。
各解釈手法は詳細に説明されており、どのように機能するか、その強みと弱み、解釈の仕方について議論されています。これにより、読者は自分の機械学習アプリケーションに最も適した解釈手法を選択し、適用することができます。この書籍は、機械学習の実務者、データサイエンティスト、統計学者、モデルの解釈可能性に興味のあるすべての人に推奨されます。
著者のクリストフ・モルナーは、統計学者として働きながらこの書籍の執筆を副業として始めました。このテーマに関する包括的なリソースが不足していることに驚き、理解を深め、洞察を共有するためにこの書籍を作成しました。この書籍は、研究者に引用され、学生や講師に使用される信頼できるリソースとなっています。また、著者のキャリアにおいても基盤となり、彼の博士号や作家、コンサルタントとしての仕事にインスピレーションを与えました。
第3版には、LOFOやCeteris Paribusに関する新しい章、再編成された導入部、より深いデータの例、実用的なヒントなどの更新が含まれています。この書籍はCC BY-NC-SA 4.0ライセンスの下でライセンスされています。
書籍情報
モデルに依存しない手法をカバー
深層ニューラルネットワークの手法を含む
LIMEとシャプレー値を説明
置換特徴重要度について議論
手法の重要な議論を提供
実務者と研究者に適している
第3版には新しい章が含まれる
CC BY-NC-SA 4.0の下でライセンス
この本の対象読者
- モデルの解釈可能性
- データサイエンス教育
- 研究引用
- 業界応用
- コンサルティング
