可解释机器学习：黑盒模型可解释性理解指南

作品简介

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。本书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley值和LIME解释单个实例预测。本书对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。本书适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释性感兴趣的人阅读。

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。

朱明超：就读于复旦大学计算机科学技术专业，热衷于知识推广，主要研究机器学习和模型可解释性

作品目录

• 推荐序一
• 推荐序二
• 作者序
• 译者序
• 第1章　引言
• 1.1　故事时间
• 1.2　什么是机器学习
• 1.3　术语
• 第2章　可解释性
• 2.1　可解释性的重要性
• 2.2　可解释性方法的分类
• 2.3　可解释性的范围
• 2.4　可解释性评估
• 2.5　解释的性质
• 2.6　人性化的解释
• 第3章　数据集
• 3.1　自行车租赁（回归）
• 3.2　YouTube 垃圾评论（文本分类）
• 3.3　宫颈癌的危险因素（分类）
• 第4章　可解释的模型
• 4.1　线性回归
• 4.2　逻辑回归
• 4.3　GLM、GAM 和其他模型
• 4.4　决策树
• 4.5　决策规则
• 4.6　RuleFit
• 4.7　其他可解释模型
• 第5章　与模型无关的方法
• 5.1　部分依赖图
• 5.2　个体条件期望
• 5.3　累积局部效应图
• 5.4　特征交互
• 5.5　置换特征重要性
• 5.6　全局代理模型
• 5.7　局部代理模型（LIME）
• 5.8　Shapley 值
• 5.9　SHAP
• 第6章　基于样本的解释
• 6.1　反事实解释
• 6.2　对抗样本
• 6.3　原型与批评
• 6.4　有影响力的实例
• 第7章　水晶球
• 7.1　机器学习的未来
• 7.2　可解释性的未来
• 参考文献