书籍介绍
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。
Christoph Molnar：可解释机器学习研究员，目前在德国慕尼黑大学统计研究所攻读博士学位，目标是让机器学习模型的决策更容易被人类理解。著作Interpretable Machine Learning受到业界高度关注。
朱明超：就读于复旦大学计算机科学技术专业，热衷于知识推广，主要研究机器学习和模型可解释性
目录
用户评论
去年读的，补标。全面的收录方法，但是写得太浅了
第五章的方法值得学习一下。其他的较为简单。
读的是英文版，比较不好读。
第5章应该是本书最核心的章节，与模型无关的方法，应该是目前比较主流的知识，读下来感觉翻的晦涩难懂 不知所云。对比之下H2O的白皮书，那才真是简洁优雅。
一般，用来初步了解思想可以，用来详细学习远远不够
这本书很硬核，作者很有水平，内容选择上也独辟蹊径聚焦于如何解读模型结果上。但阅读流畅性不高，不完全是翻译问题。作者本身应该不擅长把知识转为文字，比如: 书中的图表较多，但几乎没有说明是怎么从数据产生图表; 记得有一张图，文字中提到节点1，2等，但是图中没有标识，要靠猜才能对上; 再比如让人费解的文字很多“但没有量化哪个特征更重要。特征重要性表明天数特征远比温度特征更重要”
Z-Library