機器學習對于改進產品、過程和研究有著很?的潛?。但是計算機通常無法解釋他們的預測，這是采?機器學習的障礙。這本書是關于使機器學習模型及其決策可解釋的。
在探索了可解釋性的概念之后，你將學習簡單的、可解釋的模型，例如決策樹、決策規則和線性回歸。后??章重點介紹了解釋?盒模型的模型?關的?般?法，如特征重要性和累積局部效應，以及? Shapley 值和 LIME 解釋單個實例預測。
所有的解釋?法進?了深?說明和批判性討論。它們如何在?盒下?作的？它們的優缺點是什么？
如何解釋它們的輸出？本書將使你能夠選擇并正確應?最適合你的機器學習項?的解釋?法。
這本書的重點是表格式數據 (也稱為關系數據或結構化數據) 的機器學習模型，較少涉及到計算機
視覺和?然語?處理任務。建議機器學習從業者、數據科學家、統計學家和任何對使機器學習模型
可解釋的?閱讀本書。
標簽：
機器學習
上傳時間：
2021-02-08
上傳用戶：
