一本介绍机器学习可解释性的免费在线书

现在的机器学习、深度学习模型和方法层出不穷,几乎每天甚至每小时就会有很多新的研究成果出来。看看arxiv.org上面的文章,绝对会让你目不暇接、眼花缭乱。好的技术都是能够让人理解、可复制、可复用的。从这个角度来看,那些怎么看都看不懂的的,并且无法解释的机器学习模型,大概率上不是一个好的模型。

什么是机器学习的可解释性?这个问题没有一个很直接的回答,说白了就是通过数学或算法,或者其它确定性知识,来使得机器学习模型的流程、规则、决策等可以被解释、被理解。这个对于模型的应用很重要。


Image credit: Christoph Molnar

Christoph Molnar生活在德国的慕尼黑,是一名统计学家和机器学习专家,在使用数据科学解决不同行业的复杂问题方面拥有多年的经验。Christoph Molnar写了一篇介绍机器学习可解释性的在线书籍,Interpretable Machine Learning,非常不错,感兴趣的同学可以参考一下。

该书探索了可解释性的概念,并介绍了简单的可解释机器学习模型,例如决策树、决策规则和线性回归等。看完该书之后,对于怎样使自己的机器学习模型变得可解释,会有一定的帮助。


Image credit: Christoph Molnar

该书的内容目录如下:

Preface
Introduction
Story Time
What Is Machine Learning?
Terminology
Interpretability
Importance of Interpretability
Taxonomy of Interpretability Methods
Scope of Interpretability
Evaluation of Interpretability
Properties of Explanations
Human-friendly Explanations
Datasets
Bike Rentals (Regression)
YouTube Spam Comments (Text Classification)
Risk Factors for Cervical Cancer (Classification)
Interpretable Models
Linear Regression
Logistic Regression
GLM, GAM and more
Decision Tree
Decision Rules
RuleFit
Other Interpretable Models
Model-Agnostic Methods
Partial Dependence Plot (PDP)
Individual Conditional Expectation (ICE)
Accumulated Local Effects (ALE) Plot
Feature Interaction
Feature Importance
Global Surrogate
Local Surrogate (LIME)
Shapley Values
Example-Based Explanations
Counterfactual Explanations
Adversarial Examples
Prototypes and Criticisms
Influential Instances
A Look into the Crystal Ball
The Future of Machine Learning
The Future of Interpretability
Contribute to the Book
Citing this Book
Acknowledgements
References
R Packages Used for Examples

Interpretable Machine Learning的在线网址:
Interpretable Machine Learning

登录注册后才能评论。