可解释的机器学习

机器学习在改进产品，过程和研究方面具有巨大潜力。但是计算机通常不解释他们的预测，这是采用机器学习的障碍。这本书是关于使机器学习模型及其决策可解释的。

探索了可解释性的概念后，您将学习简单的，可解释的模型，例如决策树，决策规则和线性回归。后面的章节将重点介绍与模型无关的一般方法，这些方法可用来解释黑匣子模型，例如特征重要性和累积的局部效应，以及使用Shapley值和LIME解释单个预测。

所有解释方法都进行了深入解释并进行了严格讨论。他们如何在幕后工作？他们的优点和缺点是什么？如何解释其输出？本书将使您能够选择并正确应用最适合您的机器学习项目的解释方法。

该书侧重于表格数据（也称为关系数据或结构化数据）的机器学习模型，而较少涉及计算机视觉和自然语言处理任务。建议机器学习从业者，数据科学家，统计学家和对使机器学习模型可解释的其他任何人阅读本书。

关于我：我叫Christoph Molnar，我是统计学家和机器学习者。我的目标是使机器学习可解释。