电子工业出版社

可解释机器学习：黑盒模型可解释性理解指南（第2版）

著者：（德）Christoph Molnar （克里斯托夫·莫尔纳）
作译者：郭涛
出版时间：2024-10
字数：380
页数：272
版次：01-01
开本：16开开
印次：01-01
ISBN：9787121490149
所属分类：科技,计算机,计算机科学,
定价：118.0

内容简介:
机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。本书探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley 值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。本书深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制，各自的优缺点，如何解释它们的输出结果。本书将帮助读者选择并正确应用最适用于特定机器学习项目的解释方法。本书适合机器学习从业者、数据科学家、统计学家及任何对机器学习模型可解释性感兴趣的读者阅读。