可解释的机器学习_黑盒模型可解释性理解指南

张志红

      机器学习在改进产品流程和研究方面有着巨大的潜力。但是计算机通常不能解释它们的预测，这是机器学习采用的一个障碍。这本书是关于使机器学习模型及其决策可解释的。在探索了可解释性的概念之后，您将了解简单的、可解释的模型，如决策树、决策规则和线性回归。这本书的重点是模型不可知的方法来解释黑箱模型，如功能的重要性和累积的局部效应，并解释与夏普利值和LIME个人的预测。此外本书还介绍了深度神经网络特有的方法。所有的解释方法进行了深入的解释和批判性的讨论。引擎盖下是怎么工作的他们的长处和短处是什么?如何解释他们的产出?本书将使您能够选择并正确应用最适合您的机器学习项目的解释方法。