广东职业技术学院图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

可解释机器学习:黑盒模型可解释性理解指南/(德) Christoph Molnar著 朱明超译

出版发行项:

北京:电子工业出版社,2021.2

ISBN及定价:

978-7-121-40606-5/CNY99.00

载体形态项:

xvi, 230页:图 (部分彩图);24cm

统一题名:

Interpretable machine learning : a guide for making black box models interpretable

其它题名:

黑盒模型可解释性理解指南

个人责任者:

莫尔纳 (Molnar, Christoph) 著

个人次要责任者:

朱明超 译

学科主题:

机器学习-分析方法-研究

中图法分类号:

TP181-34

出版发行附注:

本书简体中文版专有出版权由Christoph Molnar授予电子工业出版社

责任者附注:

责任者Molnar规范汉译姓: 莫尔纳

责任者附注:

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。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。

书目附注:

有书目 (第227-230页)

提要文摘附注:

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。

使用对象附注:

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

豆瓣简介：