可解釋機器學習：黑盒模型可解釋性理解指南

購買商店

可解釋機器學習：黑盒模型可解釋性理解指南

$594.00

馬上購買

內容描述

機器學習雖然對改進產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。本書是一本關於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、決策規則和線性回歸，重點介紹瞭解釋黑盒模型的、與模型無關的方法，如特徵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，例如它們如何在黑盒下工作、它們的優缺點是什麽、如何解釋它們的輸出。本書將解答如何選擇並正確應用解釋方法。本書的重點是介紹表格式數據的機器學習模型，較少涉及電腦視覺和自然語言處理任務。本書適合機器學習從業者、數據科學家、統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。

目錄大綱

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
1．2什麼是機器學習/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可解釋性的範圍/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
2．6．1什麼是解釋/26
2．6．2什麼是好的解釋/26
第3章數據集/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分類特徵的編碼/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優點/50
4．1．9缺點/50
4．2邏輯回歸/51
4．2．1線性回歸用於分類有什麼問題/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優點/77
4．4．4缺點/78
4．4．5軟件/78
4．5決策規則/79
4．5．1 OneR /81
4．5．2順序覆蓋/85
4．5．3貝葉斯規則列表/88
4．5．4優點/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優點/130
5．3．6缺點/131
5．3．7軟件和替代方法/132
5．4特徵交互/132
5．4．1特徵交互的概念/133
5．4．2理論：弗里德曼的H統計量/134
5．4．3示例/135
5．4．4優點/ 137
5．4．5缺點/138
5．4．6實現/138
5．4．7替代方法/138
5．5置換特徵重要性/139
5．5．1理論/139
5．5．2應該計算訓練數據的重要性還是測試數據的重要性/140
5．5．3示例和解釋/142
5．5．4優點/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表格數據的LIME /152
5．7．2文本的LIME /155
5．7．3圖像的LIME /156
5．7．4優點/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特徵重要性/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優點/180
5．9．11缺點/181
5．9． 12軟件/182
第6章基於樣本的解釋/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/213
6．4．3識別有影響力的實例的優點/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

作者介紹

Christoph Molnar，可解釋機器學習研究員，目前在德國慕尼黑大學統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受到業界高度關注。

朱明超，就讀於復旦大學計算機科學技術專業，熱衷於知識推廣，主要研究機器學習和模型可解釋性。