- 在线时间
- 545 小时
- 最后登录
- 2024-9-23
- 注册时间
- 2023-4-14
- 听众数
- 8
- 收听数
- 0
- 能力
- 0 分
- 体力
- 9001 点
- 威望
- 0 点
- 阅读权限
- 255
- 积分
- 3388
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 1375
- 主题
- 1213
- 精华
- 0
- 分享
- 0
- 好友
- 0
TA的每日心情 | 开心 2024-6-5 18:09 |
---|
签到天数: 160 天 [LV.7]常住居民III
- 自我介绍
- 数学中国工作人员
|
可解释性是当下机器学习研究特点之一。最近,来自复旦大学的研究生朱明超,将《Interpretable Machine Learning》翻译成了中文。3 p" c: |8 M" m3 n
这本书的重点是机器学习的可解释性。你将学习简单的、可解释的模型,如线性回归、决策树和决策规则等。后面几章重点介绍了解释黑盒模型的模型无关的一般方法,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。
" [: M$ q( e+ i9 M 对各种解释方法进行了深入的解释和批判性的讨论。它们是如何工作的?优点和缺点是什么?如何解释它们的输出?本书将使你能够选择并正确应用最适合你的机器学习项目的解释方法。你阅读本书后,内化知识还使你能够更好地理解和评估arxiv.org上发表的有关可解释性的新论文。
+ W& l8 |! u/ D4 }) n
2 F# h! P% G" U
5 u* m/ h$ I( C: g# P6 w |
zan
|