2019-04-12
前言
机器学习在改进产品，流程和研究方面具有巨大潜力。但计算机通常不解释预测结果，这是引入机器学习的一大门槛。本书将介绍机器学习模型及其决策的可解释性。
在探索可解释性的概念之后，您将学到简单的可解释模型，例如决策树、决策规则和线性回归。后面的章节侧重于一般模型无关的方法，用于解释黑盒模型，如特征重要性和累积局部效应，并用Shapley值和LIME解释单个case的预测结果。
本书将对所有的解释方法做深入的解释和批判性的讨论。他们如何在引擎盖下工作？他们的优点和缺点是什么？他们的产出如何解释？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。
本书侧重于研究基于表格数据（也称为关系型数据或结构化数据）的机器学习模型，而不是计算机视觉和自然语言处理的机器学习模型。建议机器学习从业者，数据科学家，统计学家以及任何有兴趣使机器学习模型可解释的人阅读本书。
您可以在leanpub.com上购买PDF和电子书版本（epub，mobi）。
您可以在lulu.com上购买打印版本。
关于我：我的名字是Christoph Molnar，我是一名统计学家和机器学习者。我的目标是让机器学习可以解释。如果您有兴趣提高机器学习模型的可解释性，请不要犹豫与我联系！
邮件：christoph.molnar.ai@gmail.com
网站：https：//christophm.github.io/
在推特上关注我！ @ChristophMolnar
封面是@YvonneDoinel
知识共享许可 知识共享许可
本书采用知识共享署名 - 非商业性使用 - 相同方式共享4.0国际许可协议授权。