这本书向你解释了如何使(监督)机器学习模型可解释。本章包含一些数学公式,但即使没有公式,您也应该能够理解这些方法
https://christophm.github.io/interpretable-ml-book
局部解释方法解释个别预测。在本章中,您将了解以下局部解释方法
写这本书(现在仍然)很有趣。但这也是一项艰巨的工作,我对大家的支持感到非常高兴。
我的出发点是研究可解释机器学习,最终却写了一本我没有找到但希望有的书。我写这本书的目的是双重的:为自己学习并与他人分享这些新知识。
欢迎大家指出其中的错漏之处,不胜感激!可解释机器学习(第二版)目录第1章 前言第2章 简介第3章 解释性第4章 数据集第5章 解释模型第6章 模型无关方法第7章 基于实例的解释第8章 全局模型无关方法第9章 局部模型无关方法第10章 神经网络的可解释性第11章 水晶球第12章 书中贡献第13章 引用本书第14章 翻译本书致谢参考文献内容提要机器学习对于改进产品、过程和研究有很大的潜力。但是计算机通
我们将根据任务的不同而使用不同的数据集,分别是分类、回归和文本分类。
模型不可知解释方法相对于模型特定解释方法的最大优势在于其灵活性。当解释方法可以应用于任何模型时,机器学习开发人
基于实例的解释方法选择数据集的特定实例来解释机器学习模型的行为或解释底层数据分布。
全局方法描述了机器学习模型的平均行为。全局方法的对应物是局部方法。全局方法通常表示为基于数据分布的预期值。
可解释机器学习的未来会是什么呢?本章可以看作是一个思辨性的脑力练习,也可以看作是对可解释机器学习将如
以下各章重点介绍神经网络的解释方法。这些方法可视化了神经网络学到的特征和概念,解释了各个预测并简化了神经网络。
感谢您阅读我的关于可解释机器学习的书。这本书正在不断地增订中。它将随着时间的推移而改进,并将添加更多章节。非常类似于软件迭代开发的方式。
如果您发现本书对您的博客文章、研究文章或产品有用,请您引用本书,我将不胜感激。
第14章 翻译有兴趣翻译这本书吗?本书采用**知识共享署名-非商业性-相同方式共享 4.0 国际许可协议进行许可**。这意味着您可以翻译它并将其放到网上。你必须提到我是原作者,您不能卖这本书。如果你有兴趣翻译这本书,你可以留言,我可以在这里链接你的翻译。我的地址是christoph.molnar.ai@gmail.com。翻译列表印尼语Hatma Suryotrisongko 和智慧城市与网络安全
参考文献
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号