中南民族大学图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

可解释机器学习:黑盒模型可解释性理解指南/Christopher Molnar著 朱明超译

出版发行项:

北京:电子工业出版社,2021

ISBN及定价:

978-7-1214-0606-5 CNY99.00

载体形态项:

XVI, 230页:图 (部分彩图);24cm

统一题名:

Interpretable machine learning : a guide for making black box models interpretable

其它题名:

黑盒模型可解释性理解指南

个人责任者:

莫尔纳 (Molnar, Christopher) 著

个人次要责任者:

朱明超 译

学科主题:

机器学习-分析方法-研究

中图法分类号:

TP181-34

版本附注:

据2020年英文版译出

出版发行附注:

本书简体中文版出版权由Christopher Molnar授予电子工业出版社出版

责任者附注:

责任者Molnar规范汉译姓: 莫尔纳

书目附注:

有书目 (第227-230页)

提要文摘附注:

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。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。

豆瓣简介：