Interpretable-Machine-Learning

目录

• 前言
• 1 引言
  • 1.1 故事时间
  • 1.2 什么是机器学习
  • 1.3 术语
• 2 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 可解释性的评估
  • 2.5 可解释的特点
  • 2.6 人性化的可解释
    • 2.6.1 可解释是什么
    • 2.6.2 一个好的可解释是什么
• 3 数据集
  • 2.1 自行车租赁（回归）
  • 2.2 YouTube Spam Comments (Text Classification)
  • 3.3 Risk Factors for Cervical Cancer (Classification)
• 4 可解释的模型
  • 4.1 线性回归
  • 4.2 逻辑回归
  • 4.3 GLM, GAM及更多
  • 4.4 决策树
  • 4.5 决策规则
  • 4.6 RuleFit
  • 4.7 其他可解释模型
• 5 模型无关方法
  • 5.1 部分依赖图
  • 5.2 独立条件期望 (ICE)
  • 5.3 累积局部效果图
  • 5.4 特征间关系
  • 5.5 特征重要性
  • 5.6 全局代理人
  • 5.7 局部代理人(LIME)
  • 5.8 Shapley值
    • 5.8.1 整体思路
    • 5.2 独立条件期望 (ICE)
  • 5.3 累积局部效果图
  • 5.4 特征间关系
  • 5.5 特征重要性
  • 5.6 全局代理人
  • 5.7 局部代理人(LIME)
  • 5.8 Shapley值
• 6 基于案例的解释
  • 6.1 反事实的解释
  • 6.2 模型逃逸例子
  • 6.3 原型和批评
  • 6.4 有影响力的实例
• 7 可解释性的展望
  • 7.1 机器学习的未来
  • 7.2 可解释性的未来
• 8 作者简介
• 9 引用要求
• 10 致谢
• 参考文献
  • 案例中使用到的R包

编者按

[可解释的机器学习（翻译稿） 欢迎阅读 <可解释的机器学习> 第一版。 你可以在以下地址找到本书的在线版本： https://christophm.github.io/interpretable-ml-book/

<可解释的机器学习> 第一版以知识共享协议开源。]