可解释机器学习：黑盒模型可解释性理解指南

作　者：	Christoph Molnar 朱明超
出版社：	电子工业出版社
丛编项：
版权说明：	本书为公共版权或经版权方授权，请支持正版图书
标　签：	暂缺

ISBN	出版时间	包装	开本	页数	字数
未知	暂无	暂无	未知	0	暂无

作者简介

　　Christoph Molnar，可解释机器学习研究员，目前在德国慕尼黑大学统计研究所攻读博士学位，目标是让机器学习模型的决策更容易被人类理解。著作Interpretable Machine Learning受到业界高度关注。朱明超，就读于复旦大学计算机科学技术专业，热衷于知识推广，主要研究机器学习和模型可解释性。

内容简介

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。《可解释机器学习：黑盒模型可解释性理解指南》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。《可解释机器学习：黑盒模型可解释性理解指南》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。

图书目录

推荐序一/III

推荐序二/V

作者序/Ⅶ

译者序/Ⅸ

第1章引言/1

1．1故事时间/2

1．1．1闪电不会击中两次/2

1．1．2信任倒下/4

1．1．3费米的回形针/6

1．2什么是机器学习/7

1．3术语/8

第2章可解释性/13

2．1可解释性的重要性/14

2．2可解释性方法的分类/18

2．3可解释性的范围/20

2．3．1算法透明度/20

2．3．2全局、整体的模型可解释性/21

2．3．3模块层面上的全局模型可解释性/21

2．3．4单个预测的局部可解释性/22

2．3．5一组预测的局部可解释性/22

2．4可解释性评估/22

2．5解释的性质/23

2．6 人性化的解释/25

2．6．1 什么是解释/26

2．6．2 什么是好的解释/26

第3 章数据集/31

3．1 自行车租赁（回归） /32

3．2 YouTube 垃圾评论（文本分类） /32

3．3 宫颈癌的危险因素（分类） /33

第4 章可解释的模型/35

4．1 线性回归/36

4．1．1 解释/38

4．1．2 示例/40

4．1．3 可视化解释/41

4．1．4 解释单个实例预测/44

4．1．5 分类特征的编码/45

4．1．6 线性模型是否有很好的解释/46

4．1．7 稀疏线性模型/47

4．1．8 优点/50

4．1．9 缺点/50

4．2 逻辑回归/51

4．2．1 线性回归用于分类有什么问题/51

4．2．2 理论/52

4．2．3 解释/53

4．2．4 示例/55

4．2．5 优缺点/56

4．2．6 软件/57

4．3 GLM、GAM 和其他模型/57

4．3．1 非高斯结果输出――GLM /59

4．3．2 交互/63

4．3．3 非线性效应――GAM /66

4．3．4 优点/71

4．3．5 缺点/71

4．3．6 软件/72

4．3．7 进一步扩展/72

4．4 决策树/73

4．4．1 解释/75

4．4．2 示例/76

4．4．3 优点/77

4．4．4 缺点/78

4．4．5 软件/78

4．5 决策规则/79

4．5．1 OneR /81

4．5．2 顺序覆盖/85

4．5．3 贝叶斯规则列表/88

4．5．4 优点/93

4．5．5 缺点/94

4．5．6 软件和替代方法/94

4．6 RuleFit /95

4．6．1 解释和示例/96

4．6．2 理论/97

4．6．3 优点/100

4．6．4 缺点/101

4．6．5 软件和替代方法/101

4．7 其他可解释模型/101

4．7．1 朴素贝叶斯分类器/102

4．7．2 k-近邻/102

第5 章与模型无关的方法/103

5．1 部分依赖图/105

5．1．1 示例/106

5．1．2 优点/108

5．1．3 缺点/110

5．1．4 软件和替代方法/110

5．2 个体条件期望/111

5．2．1 示例/111

5．2．2 优点/115

5．2．3 缺点/115

5．2．4 软件和替代方法/115

5．3 累积局部效应图/115

5．3．1 动机和直觉/115

5．3．2 理论/119

5．3．3 ALE 图的估计/120

5．3．4 示例/123

5．3．5 优点/130

5．3．6 缺点/131

5．3．7 软件和替代方法/132

5．4 特征交互/132

5．4．1 特征交互的概念/133

5．4．2 理论：弗里德曼的H 统计量/134

5．4．3 示例/135

5．4．4 优点/137

5．4．5 缺点/138

5．4．6 实现/138

5．4．7 替代方法/138

5．5 置换特征重要性/139

5．5．1 理论/139

5．5．2 应该计算训练数据的重要性还是测试数据的重要性/140

5．5．3 示例和解释/142

5．5．4 优点/143

5．5．5 缺点/145

5．5．6 软件和替代方法/146

5．6 全局代理模型/146

5．6．1 理论/146

5．6．2 示例/148

5．6．3 优点/150

5．6．4 缺点/150

5．6．5 软件/150

5．7 局部代理模型（LIME） /150

5．7．1 表格数据的LIME /152

5．7．2 文本的LIME /155

5．7．3 图像的LIME /156

5．7．4 优点/156

5．7．5 缺点/158

5．8 Shapley 值/158

5．8．1 总体思路/158

5．8．2 示例与解释/162

5．8．3 详细的Shapley 值/163

5．8．4 优点/167

5．8．5 缺点/168

5．8．6 软件和替代方法/169

5．9 SHAP /169

5．9．1 SHAP 的定义/169

5．9．2 KernelSHAP /171

5．9．3 TreeSHAP /174

5．9．4 示例/175

5．9．5 SHAP 特征重要性/176

5．9．6 SHAP 概要图/177

5．9．7 SHAP 依赖图/178

5．9．8 SHAP 交互值/179

5．9．9 聚类SHAP 值/180

5．9．10 优点/180

5．9．11 缺点/181

5．9．12 软件/182

第6 章基于样本的解释/183

6．1 反事实解释/185

6．1．1 生成反事实解释/187

6．1．2 示例/189

6．1．3 优点/190

6．1．4 缺点/190

6．1．5 软件和替代方法/191

6．2 对抗样本/191

6．2．1 方法与示例/192

6．2．2 网络安全视角/198

6．3 原型与批评/199

6．3．1 理论/200

6．3．2 示例/205

6．3．3 优点/205

6．3．4 缺点/206

6．3．5 软件和替代方法/206

6．4 有影响力的实例/206

6．4．1 删除诊断/209

6．4．2 影响函数/213

6．4．3 识别有影响力的实例的优点/218

6．4．4 识别有影响力的实例的缺点/218

6．4．5 软件和替代方法/219

第7 章水晶球/221

7．1 机器学习的未来/223

7．2 可解释性的未来/224

参考文献/227