我发现了仅有的一本系统介绍可解释性机器学习的书籍！

机器学习受到了许多研究人员和行业人士的关注。机器学习是一种强大的技术，用于产品、研究和自动化。如今，例如，机器学习被用于检测欺诈性金融交易、推荐电影和分类图像。

模型的可解释性通常至关重要。可解释性帮助开发者调试和改善模型，建立对模型的信任，证明模型预测的合理性，并获得洞察力。

本书是由德国慕尼黑大学博士Christoph Molnar，模型解释领域为数不多的专家，完成的第二版，长达330页，是仅有的一本系统介绍可解释性机器学习的书籍。

如何获取本书PDF？

添加微信号：xtyifan1204，加我好友领取
备注「机器学习」，即可获取该文中所有资源

我们团队一直在用心做数据科学领域开源免费资源分享，添加后立即发送，无任何套路

---

本书作者 Christoph Molnar 统计学背景出身，这为进入机器学习领域，尤其是可解释性方面，提供了极好的基础。

在统计学中，一个主要的焦点是构建可解释的回归模型。作者在获得统计学硕士学位后，担任了金融科技初创公司的数据科学家和临床研究领域的统计学家。在业界这三年的经历之后，开始撰写这本书，并在几个月后开始了在可解释机器学习领域的博士生涯。

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。

对机器学习可解释性的需求随着机器学习的广泛应用而自然增长。这本书已经成为许多人的宝贵资源。教学人员用这本书向学生介绍可解释机器学习概念。作者声称许多硕士和博士生通过电子邮件，告诉他这本书在他们开启论文思路方面已经成为了最重要的参考资料。

这本书也帮助了使用机器学习理解数据的领域应用研究人员，如生态学、金融学、心理学等。
很多行业数据科学家说他们在工作中都在使用《可解释的机器学习》这本书，并极力推荐给他们的同事，好评度相当高。

这本书涵盖了可解释机器学习领域的许多技术。在开始的章节中，介绍了可解释性的概念并阐明为什么可解释性是必要的。

目录

还有一些短故事！书中讨论了解释的不同属性以及人类认为的好解释是什么。

然后将讨论一些本质上可解释的机器学习模型，例如回归模型和决策树。本书的主要焦点是模型不可知论的可解释性方法。模型不可知论意味着这些方法可以应用于任何机器学习模型，并且是在模型训练后应用的。模型的独立性使得模型不可知论方法具有非常灵活和强大的特点。

有些技术解释了个体预测是如何做出的，比如局部可解释模型不可知论解释（LIME）和Shapley值。其他技术描述了模型在一个数据集上的平均行为。这部分你可以了解到部分依赖图、累计局部效应、置换特征重要性和许多其他方法。特殊的一类是基于示例的方法，它们产生数据点作为解释。

反事实解释、原型、有影响力的实例和对抗性示例都是基于示例的方法，这些方法在本书中进行了讨论。

你不必通读这本书，可以跳跃阅读，集中在你最感兴趣的技术上。我建议你从引言和可解释性章节开始阅读。大多数章节结构相似，重点关注一种解释方法。

第一段总结了这种方法。然后我试图不依赖数学公式直观地解释这个方法。接着我们看看这个方法的理论，以深入理解它是如何工作的。理论中会有公式，通过示例来理解新方法是最好的方式，每种方法都应用于真实数据。

有些人说统计学家是非常挑剔的人，确实，因为每个章节都包含了对相应解释方法的优缺点进行批判性的讨论，能帮助你决定一种方法是否适合你的应用。在每章的最后部分，将讨论可用的软件实现。

如何获取本书PDF？

添加微信号：xtyifan1204，加我好友领取
备注「机器学习」，即可获取该文中所有资源

我们团队一直在用心做数据科学领域开源免费资源分享，添加后立即发送，无任何套路