可解釋機器學習：黑盒模型可解釋性理解指南

定　價：￥99.00

作　者：	[德] Christoph Molnar 著，朱明超譯
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥82.90)

ISBN：	9787121406065	出版時間：	2021-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	244	字數(shù)：

內(nèi)容簡介

　　機器學習雖然對改進產(chǎn)品性能和推進研究有很大的潛力，但無法對它們的預測做出解釋，這是當前面臨的一大障礙。《可解釋機器學習：黑盒模型可解釋性理解指南》書是一本關于使機器學習模型及其決策具有可解釋性的書。本書探索了可解釋性的概念，介紹了簡單的、可解釋的模型，例如決策樹、決策規(guī)則和線性回歸，重點介紹了解釋黑盒模型的、與模型無關的方法，如特征重要性和累積局部效應，以及用Shapley值和LIME解釋單個實例預測。本書對所有的解釋方法進行了深入說明和批判性討論，例如它們?nèi)绾卧诤诤邢鹿ぷ?、它們的?yōu)缺點是什么、如何解釋它們的輸出。本書將解答如何選擇并正確應用解釋方法。本書的重點是介紹表格式數(shù)據(jù)的機器學習模型，較少涉及計算機視覺和自然語言處理任務?！犊山忉寵C器學習：黑盒模型可解釋性理解指南》適合機器學習從業(yè)者、數(shù)據(jù)科學家、統(tǒng)計學家和所有對使機器學習模型具有可解釋性感興趣的人閱讀。

作者簡介

　　Christoph Molnar，可解釋機器學習研究員，目前在德國慕尼黑大學統(tǒng)計研究所攻讀博士學位，目標是讓機器學習模型的決策更容易被人類理解。著作Interpretable Machine Learning受到業(yè)界高度關注。朱明超，就讀于復旦大學計算機科學技術專業(yè)，熱衷于知識推廣，主要研究機器學習和模型可解釋性。

圖書目錄

目錄
推薦序一/III
推薦序二/V
作者序/Ⅶ
譯者序/Ⅸ
第1章引言/1
1．1故事時間/2
1．1．1閃電不會擊中兩次/2
1．1．2信任倒下/4
1．1．3費米的回形針/6
1．2什么是機器學習/7
1．3術語/8
第2章可解釋性/13
2．1可解釋性的重要性/14
2．2可解釋性方法的分類/18
2．3可解釋性的范圍/20
2．3．1算法透明度/20
2．3．2全局、整體的模型可解釋性/21
2．3．3模塊層面上的全局模型可解釋性/21
2．3．4單個預測的局部可解釋性/22
2．3．5一組預測的局部可解釋性/22
2．4可解釋性評估/22
2．5解釋的性質/23
2．6 人性化的解釋/25
2．6．1 什么是解釋/26
2．6．2 什么是好的解釋/26
第3 章數(shù)據(jù)集/31
3．1 自行車租賃（回歸） /32
3．2 YouTube 垃圾評論（文本分類） /32
3．3 宮頸癌的危險因素（分類） /33
第4 章可解釋的模型/35
4．1 線性回歸/36
4．1．1 解釋/38
4．1．2 示例/40
4．1．3 可視化解釋/41
4．1．4 解釋單個實例預測/44
4．1．5 分類特征的編碼/45
4．1．6 線性模型是否有很好的解釋/46
4．1．7 稀疏線性模型/47
4．1．8 優(yōu)點/50
4．1．9 缺點/50
4．2 邏輯回歸/51
4．2．1 線性回歸用于分類有什么問題/51
4．2．2 理論/52
4．2．3 解釋/53
4．2．4 示例/55
4．2．5 優(yōu)缺點/56
4．2．6 軟件/57
4．3 GLM、GAM 和其他模型/57
4．3．1 非高斯結果輸出――GLM /59
4．3．2 交互/63
4．3．3 非線性效應――GAM /66
4．3．4 優(yōu)點/71
4．3．5 缺點/71
4．3．6 軟件/72
4．3．7 進一步擴展/72
4．4 決策樹/73
4．4．1 解釋/75
4．4．2 示例/76
4．4．3 優(yōu)點/77
4．4．4 缺點/78
4．4．5 軟件/78
4．5 決策規(guī)則/79
4．5．1 OneR /81
4．5．2 順序覆蓋/85
4．5．3 貝葉斯規(guī)則列表/88
4．5．4 優(yōu)點/93
4．5．5 缺點/94
4．5．6 軟件和替代方法/94
4．6 RuleFit /95
4．6．1 解釋和示例/96
4．6．2 理論/97
4．6．3 優(yōu)點/100
4．6．4 缺點/101
4．6．5 軟件和替代方法/101
4．7 其他可解釋模型/101
4．7．1 樸素貝葉斯分類器/102
4．7．2 k-近鄰/102
第5 章與模型無關的方法/103
5．1 部分依賴圖/105
5．1．1 示例/106
5．1．2 優(yōu)點/108
5．1．3 缺點/110
5．1．4 軟件和替代方法/110
5．2 個體條件期望/111
5．2．1 示例/111
5．2．2 優(yōu)點/115
5．2．3 缺點/115
5．2．4 軟件和替代方法/115
5．3 累積局部效應圖/115
5．3．1 動機和直覺/115
5．3．2 理論/119
5．3．3 ALE 圖的估計/120
5．3．4 示例/123
5．3．5 優(yōu)點/130
5．3．6 缺點/131
5．3．7 軟件和替代方法/132
5．4 特征交互/132
5．4．1 特征交互的概念/133
5．4．2 理論：弗里德曼的H 統(tǒng)計量/134
5．4．3 示例/135
5．4．4 優(yōu)點/137
5．4．5 缺點/138
5．4．6 實現(xiàn)/138
5．4．7 替代方法/138
5．5 置換特征重要性/139
5．5．1 理論/139
5．5．2 應該計算訓練數(shù)據(jù)的重要性還是測試數(shù)據(jù)的重要性/140
5．5．3 示例和解釋/142
5．5．4 優(yōu)點/143
5．5．5 缺點/145
5．5．6 軟件和替代方法/146
5．6 全局代理模型/146
5．6．1 理論/146
5．6．2 示例/148
5．6．3 優(yōu)點/150
5．6．4 缺點/150
5．6．5 軟件/150
5．7 局部代理模型（LIME） /150
5．7．1 表格數(shù)據(jù)的LIME /152
5．7．2 文本的LIME /155
5．7．3 圖像的LIME /156
5．7．4 優(yōu)點/156
5．7．5 缺點/158
5．8 Shapley 值/158
5．8．1 總體思路/158
5．8．2 示例與解釋/162
5．8．3 詳細的Shapley 值/163
5．8．4 優(yōu)點/167
5．8．5 缺點/168
5．8．6 軟件和替代方法/169
5．9 SHAP /169
5．9．1 SHAP 的定義/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 概要圖/177
5．9．7 SHAP 依賴圖/178
5．9．8 SHAP 交互值/179
5．9．9 聚類SHAP 值/180
5．9．10 優(yōu)點/180
5．9．11 缺點/181
5．9．12 軟件/182
第6 章基于樣本的解釋/183
6．1 反事實解釋/185
6．1．1 生成反事實解釋/187
6．1．2 示例/189
6．1．3 優(yōu)點/190
6．1．4 缺點/190
6．1．5 軟件和替代方法/191
6．2 對抗樣本/191
6．2．1 方法與示例/192
6．2．2 網(wǎng)絡安全視角/198
6．3 原型與批評/199
6．3．1 理論/200
6．3．2 示例/205
6．3．3 優(yōu)點/205
6．3．4 缺點/206
6．3．5 軟件和替代方法/206
6．4 有影響力的實例/206
6．4．1 刪除診斷/209
6．4．2 影響函數(shù)/213
6．4．3 識別有影響力的實例的優(yōu)點/218
6．4．4 識別有影響力的實例的缺點/218
6．4．5 軟件和替代方法/219
第7 章水晶球/221
7．1 機器學習的未來/223
7．2 可解釋性的未來/224
參考文獻/227