《可解释机器学习：黑盒模型可解释性理解指南（第2版）》-Christoph Molnar
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。
免责声明: 本站所有资源搜集于互联网，所提供下载链接也是站外链接，网站本身不存储任何相关资源文件， 如资源下载链接侵犯到版权方，请发送邮件到1401211620@qq.com，站长核实后会第一时间移除，谢谢!
![《复杂的引擎》[新版]梅菲尔德/交叉学科新领域佳作](https://boyanglee.com/storage/books/s_28719_1658060777.jpg "《复杂的引擎》[新版]梅菲尔德/交叉学科新领域佳作")
![《白夜》[全彩插图版]陀思妥耶夫斯基/来温柔地跌入陀坑](https://boyanglee.com/storage/books/s_14436_1659315009.jpg "《白夜》[全彩插图版]陀思妥耶夫斯基/来温柔地跌入陀坑")
