|
题名:
|
可解释机器学习 / Christopher Molnar著 , 朱明超译 |
|
ISBN:
|
978-7-1214-0606-5 价格： CNY99.00 |
|
语种:
|
chi |
|
载体形态:
|
XVI, 230页 图 (部分彩图) 24cm |
|
出版发行:
|
出版地： 北京 出版社： 电子工业出版社 出版日期： 2021 |
|
内容提要:
|
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。 |
|
主题词:
|
机器学习 分析方法 |
|
中图分类法:
|
TP181-34 版次： 5 |
|
其它题名:
|
黑盒模型可解释性理解指南 |
|
主要责任者:
|
莫尔纳 著 |
|
次要责任者:
|
朱明超 译 |
|
责任者附注:
|
责任者Molnar规范汉译姓: 莫尔纳 |