可解释机器学习：黑盒模型可解释性理解指南

定　价：¥99.00

作　者：	[德] Christoph Molnar 著，朱明超译
出版社：	电子工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

京东 (¥82.90)

ISBN：	9787121406065	出版时间：	2021-03-01	包装：	平装
开本：	16开	页数：	244	字数：

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。《可解释机器学习：黑盒模型可解释性理解指南》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。《可解释机器学习：黑盒模型可解释性理解指南》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。

作者简介

　　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。

图书目录

目录
推荐序一/III
推荐序二/V
作者序/Ⅶ
译者序/Ⅸ
第1章引言/1
1．1故事时间/2
1．1．1闪电不会击中两次/2
1．1．2信任倒下/4
1．1．3费米的回形针/6
1．2什么是机器学习/7
1．3术语/8
第2章可解释性/13
2．1可解释性的重要性/14
2．2可解释性方法的分类/18
2．3可解释性的范围/20
2．3．1算法透明度/20
2．3．2全局、整体的模型可解释性/21
2．3．3模块层面上的全局模型可解释性/21
2．3．4单个预测的局部可解释性/22
2．3．5一组预测的局部可解释性/22
2．4可解释性评估/22
2．5解释的性质/23
2．6 人性化的解释/25
2．6．1 什么是解释/26
2．6．2 什么是好的解释/26
第3 章数据集/31
3．1 自行车租赁（回归） /32
3．2 YouTube 垃圾评论（文本分类） /32
3．3 宫颈癌的危险因素（分类） /33
第4 章可解释的模型/35
4．1 线性回归/36
4．1．1 解释/38
4．1．2 示例/40
4．1．3 可视化解释/41
4．1．4 解释单个实例预测/44
4．1．5 分类特征的编码/45
4．1．6 线性模型是否有很好的解释/46
4．1．7 稀疏线性模型/47
4．1．8 优点/50
4．1．9 缺点/50
4．2 逻辑回归/51
4．2．1 线性回归用于分类有什么问题/51
4．2．2 理论/52
4．2．3 解释/53
4．2．4 示例/55
4．2．5 优缺点/56
4．2．6 软件/57
4．3 GLM、GAM 和其他模型/57
4．3．1 非高斯结果输出――GLM /59
4．3．2 交互/63
4．3．3 非线性效应――GAM /66
4．3．4 优点/71
4．3．5 缺点/71
4．3．6 软件/72
4．3．7 进一步扩展/72
4．4 决策树/73
4．4．1 解释/75
4．4．2 示例/76
4．4．3 优点/77
4．4．4 缺点/78
4．4．5 软件/78
4．5 决策规则/79
4．5．1 OneR /81
4．5．2 顺序覆盖/85
4．5．3 贝叶斯规则列表/88
4．5．4 优点/93
4．5．5 缺点/94
4．5．6 软件和替代方法/94
4．6 RuleFit /95
4．6．1 解释和示例/96
4．6．2 理论/97
4．6．3 优点/100
4．6．4 缺点/101
4．6．5 软件和替代方法/101
4．7 其他可解释模型/101
4．7．1 朴素贝叶斯分类器/102
4．7．2 k-近邻/102
第5 章与模型无关的方法/103
5．1 部分依赖图/105
5．1．1 示例/106
5．1．2 优点/108
5．1．3 缺点/110
5．1．4 软件和替代方法/110
5．2 个体条件期望/111
5．2．1 示例/111
5．2．2 优点/115
5．2．3 缺点/115
5．2．4 软件和替代方法/115
5．3 累积局部效应图/115
5．3．1 动机和直觉/115
5．3．2 理论/119
5．3．3 ALE 图的估计/120
5．3．4 示例/123
5．3．5 优点/130
5．3．6 缺点/131
5．3．7 软件和替代方法/132
5．4 特征交互/132
5．4．1 特征交互的概念/133
5．4．2 理论：弗里德曼的H 统计量/134
5．4．3 示例/135
5．4．4 优点/137
5．4．5 缺点/138
5．4．6 实现/138
5．4．7 替代方法/138
5．5 置换特征重要性/139
5．5．1 理论/139
5．5．2 应该计算训练数据的重要性还是测试数据的重要性/140
5．5．3 示例和解释/142
5．5．4 优点/143
5．5．5 缺点/145
5．5．6 软件和替代方法/146
5．6 全局代理模型/146
5．6．1 理论/146
5．6．2 示例/148
5．6．3 优点/150
5．6．4 缺点/150
5．6．5 软件/150
5．7 局部代理模型（LIME） /150
5．7．1 表格数据的LIME /152
5．7．2 文本的LIME /155
5．7．3 图像的LIME /156
5．7．4 优点/156
5．7．5 缺点/158
5．8 Shapley 值/158
5．8．1 总体思路/158
5．8．2 示例与解释/162
5．8．3 详细的Shapley 值/163
5．8．4 优点/167
5．8．5 缺点/168
5．8．6 软件和替代方法/169
5．9 SHAP /169
5．9．1 SHAP 的定义/169
5．9．2 KernelSHAP /171
5．9．3 TreeSHAP /174
5．9．4 示例/175
5．9．5 SHAP 特征重要性/176
5．9．6 SHAP 概要图/177
5．9．7 SHAP 依赖图/178
5．9．8 SHAP 交互值/179
5．9．9 聚类SHAP 值/180
5．9．10 优点/180
5．9．11 缺点/181
5．9．12 软件/182
第6 章基于样本的解释/183
6．1 反事实解释/185
6．1．1 生成反事实解释/187
6．1．2 示例/189
6．1．3 优点/190
6．1．4 缺点/190
6．1．5 软件和替代方法/191
6．2 对抗样本/191
6．2．1 方法与示例/192
6．2．2 网络安全视角/198
6．3 原型与批评/199
6．3．1 理论/200
6．3．2 示例/205
6．3．3 优点/205
6．3．4 缺点/206
6．3．5 软件和替代方法/206
6．4 有影响力的实例/206
6．4．1 删除诊断/209
6．4．2 影响函数/213
6．4．3 识别有影响力的实例的优点/218
6．4．4 识别有影响力的实例的缺点/218
6．4．5 软件和替代方法/219
第7 章水晶球/221
7．1 机器学习的未来/223
7．2 可解释性的未来/224
参考文献/227