描述
可解释的机器学习是一本致力于使机器学习模型及其决策可解释的书籍。该书解决了计算机无法解释其预测的常见问题，这可能导致信任问题和未被发现的错误。它探讨了可解释性的概念，并介绍了简单模型，如决策树和线性回归。重点是模型无关的方法，如LIME和Shapley值，用于解释单个预测，以及置换特征重要性，用于理解一般特征与预测之间的关系。该书还涵盖了特定于深度神经网络的方法。
每种解释方法都进行了深入的解释，讨论了它们的工作原理、优缺点以及如何进行解释。这使读者能够选择并应用最适合其机器学习应用的解释方法。该书推荐给机器学习从业者、数据科学家、统计学家以及任何对使模型可解释感兴趣的人。
作者Christoph Molnar在担任统计学家期间开始撰写本书，作为一个副项目。由于对该主题缺乏全面资源感到惊讶，他创作了这本书，以加深自己的理解并分享见解。这本书已成为一个重要资源，被研究人员引用，并被学生和教师使用。它也在作者的职业生涯中发挥了基础性作用，激励了他的博士研究以及他作为作家和顾问的工作。
第三版包括更新，如关于LOFO和Ceteris Paribus的新章节、重新组织的介绍、更深入的数据示例和实用技巧。该书根据CC BY-NC-SA 4.0许可证发布。
图书信息
涵盖模型无关的方法
包括深度神经网络的方法
解释LIME和Shapley值
讨论置换特征重要性
提供对方法的关键讨论
适合从业者和研究人员
第三版包括新章节
根据CC BY-NC-SA 4.0许可证发布
适合的读者
- 模型可解释性
- 数据科学教育
- 研究引用
- 行业应用
- 咨询
