【2022 新版书籍】第2版《可解释的机器学习：黑盒模型可解释性理解指南》，330页pdf

本书是由德国慕尼黑大学博士Christoph Molnar完成的第二版，长达330页，是仅有的一本系统介绍可解释性机器学习的书籍。

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。

本书向你介绍了如何使 (监督) 机器学习模型可解释。虽然本书中包含⼀些数学公式，但是即使没有公式，你也需要能够理解这些⽅法背后的思想。本书不适合机器学习初学者。如果你不熟悉机器学习，则有很多书籍和其他资源可以学习基础知识。关于机器学习的⼊门学习，我推荐在线学习平台 coursera.com 上的 Hastie， Tibshirani 和 Friedman[1] 所著的《The Elements of StatisticalLearning》⼀书和 Andrew Ng 的 “机器学习” 在线课程。

这些书本和在线课程都是免费的！⽬前解释机器学习模型的新⽅法以惊⼈的速度发表，跟上所有已发布的内容⾮常不现实。这就是为什么你不会在本书中看到最新颖、最奇特的⽅法，⽽是看到机器学习可解释性的成熟⽅法和基本概念。这些基础知识可以帮助你使机器学习模型具有可解释性。你阅读本书后，内化基础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。

内容整理自网络，感谢作者对原著翻译。

源地址：https://github.com/MingchaoZhu/InterpretableMLBook

专知便捷查看