《可解释机器学习：黑盒模型可解释性理解指南》内容简介

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