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InterpretableMachineLearning受到业界高度关注。 译者介绍 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。
可解释机器学习：黑盒模型可解释性理解指南
[德] Christoph Molnar
评分 暂无
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
Interpretable Machine Learning
评分 7.8分
This book is about making machine learning models and their decisions interpretable. After exploring the concepts of interpretability, you will learn about simple, interpretable models su
