机读格式显示(MARC)

• 000 01975nam0 2200337 450

• 001 0000743820

• 005 20211101153600.0

• 010 __ |a 978-7-1214-0606-5 |b CNY99.00

• 099 __ |a CAL 012021037864

• 100 __ |a 20210413d2021 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 可解释机器学习 |A ke jie shi ji qi xue xi |e 黑盒模型可解释性理解指南 |d = Interpretable machine learning |e a guide for making black box models interpretable |f Christopher Molnar著 |g 朱明超译 |z eng

• 210 __ |a 北京 |c 电子工业出版社 |d 2021

• 215 __ |a XVI, 230页 |c 图 (部分彩图) |d 24cm

• 305 __ |a 据2020年英文版译出

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

• 314 __ |a 责任者Molnar规范汉译姓: 莫尔纳

• 320 __ |a 有书目 (第227-230页)

• 330 __ |a 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。

• 500 10 |a Interpretable machine learning : a guide for making black box models interpretable |m Chinese

• 517 1_ |a 黑盒模型可解释性理解指南 |A hei he mo xing ke jie shi xing li jie zhi nan

• 606 0_ |a 机器学习 |A ji qi xue xi |x 分析方法 |x 研究

• 690 __ |a TP181-34 |v 5

• 701 _1 |a 莫尔纳 |A mo er na |g (Molnar, Christopher) |4 著

• 702 _0 |a 朱明超 |A zhu ming chao |4 译

• 801 _0 |a CN |b TJDX |c 20210413

• 905 __ |a SCNU |f TP181-34/8020

• 920 __ |a 242430 |z 1