 |
| 产品展示 |
| 基本信息 |
| 图书名称： | 可解释机器学习 黑盒模型可解释性理解指南 |
| 作者： | [德]克里斯托夫·莫尔纳 |
| 定价： | 99.00 |
| ISBN号： | 9787121406065 |
| 出版社： | 电子工业出版社 |
| 开本： | 16开 |
| 装帧： | 平装 |
| 编辑推荐 |
| 内容介绍 |
| 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。 |
| 作者介绍 |
| 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C，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。 |
| 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 2.3.2Q局、整体的模型可解释性/21 2.3.3模块层面上的Q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 Q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AQ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 |
 |
 |
