《可解释机器学习》希望改变一直以来大家将机器学习模型视为黑盒子的想法,在学会运用模型的同时更应去学会分析模型如何做出决策,并给出了将黑盒变得具有可解释性的讨论。
这本书的重点是机器学习的可解释性。你将学习简单的、可解释的模型,如决策树、决策规则和线性回归。后面几章重点介绍了解释黑箱模型的一般方法。对各种解释方法进行了深入的解释和批判性的讨论。他们怎么在引擎盖下工作?他们的优点和缺点是什么?如何解释它们的输出?本书将使您能够选择和正确应用最适合您的机器学习项目的解释方法。
作者介绍:
这本书的作者是 Christoph Molnar,他是一名统计学家和机器学习者。当他在自己的社交平台发布出版这本《可解释机器学习》的时候,受到了网友热烈的反响和支持。
二、主要内容目录
《可解释机器学习》该书总共包含 7 章内容。章节目录如下:
第一章:介绍
第二章:可解释性
第三章:数据集
第四章:可解释的模型
第五章:模型不可知论方法
第六章:基于实例的解释
第七章:观察水晶球
资源获取
领取专属 10元无门槛券
私享最新 技术干货