文章編輯 專知

可解釋性是當(dāng)下機(jī)器學(xué)習(xí)研究特點(diǎn)之一。最近，來自復(fù)旦大學(xué)的研究生朱明超，將《Interpretable Machine Learning》翻譯成了中文。本文推介由朱明超同學(xué)親自撰寫。

這本書最初是由德國慕尼黑大學(xué)博士Christoph Molnar耗時兩年完成的，長達(dá)250頁，是僅有的一本系統(tǒng)介紹可解釋性機(jī)器學(xué)習(xí)的書籍。

這本書最初是由Christoph Molnar耗時兩年完成的《Interpretable Machine Learning》，長達(dá)250頁，在公開至今該書得到密切關(guān)注，這是在可解釋性領(lǐng)域可以找到的僅有的一本書。

 

“可解釋”是這本書的核心論題。作者M(jìn)olnar認(rèn)為，可解釋性在機(jī)器學(xué)習(xí)甚至日常生活中都是相當(dāng)重要的一個問題。建議機(jī)器學(xué)習(xí)從業(yè)者、數(shù)據(jù)科學(xué)家、統(tǒng)計(jì)學(xué)家和任何對使機(jī)器學(xué)習(xí)模型可解釋的人閱讀本書。

硬核內(nèi)功！《Interpretable Machine Learning》可解釋機(jī)器學(xué)習(xí)中文版！點(diǎn)擊卡片或掃下面碼關(guān)注【Python與機(jī)器智能】回復(fù)：解釋 ，即可獲取電子版。

??長按上方二維碼 2 秒

 

Molnar表示，雖然數(shù)據(jù)集與黑盒機(jī)器學(xué)習(xí)解決了很多問題，但這不是最好的使用姿勢，現(xiàn)在模型本身代替了數(shù)據(jù)成為了信息的來源，但可解釋性可以提取模型捕捉到的額外信息。當(dāng)我們的日常生活中全都是機(jī)器和算法時，也需要可解釋性來增加社會的接受度。畢竟要是連科學(xué)家都研究不透“黑盒”，怎樣讓普通人完全信任模型做出的決策呢？

 

這本書的重點(diǎn)是機(jī)器學(xué)習(xí)的可解釋性。你將學(xué)習(xí)簡單的、可解釋的模型，如線性回歸、決策樹和決策規(guī)則等。后面幾章重點(diǎn)介紹了解釋黑盒模型的模型無關(guān)的一般方法，如特征重要性和累積局部效應(yīng)，以及用 Shapley 值和 LIME 解釋單個實(shí)例預(yù)測。

 

對各種解釋方法進(jìn)行了深入的解釋和批判性的討論。它們是如何工作的？優(yōu)點(diǎn)和缺點(diǎn)是什么？如何解釋它們的輸出？本書將使你能夠選擇并正確應(yīng)用最適合你的機(jī)器學(xué)習(xí)項(xiàng)目的解釋方法。你閱讀本書后，內(nèi)化知識還使你能夠更好地理解和評估arxiv.org上發(fā)表的有關(guān)可解釋性的新論文。

 

這本書中用許多平實(shí)的語言，結(jié)合各類現(xiàn)實(shí)生活中的例子介紹了相關(guān)的概念，還配了參考鏈接可以進(jìn)一步學(xué)習(xí)了解。

 

《可解釋的機(jī)器學(xué)習(xí)》該書總共包含 7 章內(nèi)容。章節(jié)目錄如下：

• 第一章：前言

• 第二章：可解釋性

• 第三章：數(shù)據(jù)集

• 第四章：可解釋的模型

• 第五章：模型無關(guān)方法

• 第六章：基于樣本的解釋

• 第七章：水晶球

  
  

部分截圖如下：

掃下面碼關(guān)注【Python與機(jī)器智能】回復(fù)：解釋 ，即可獲取電子版。

??長按上方二維碼 2 秒