机读格式显示(MARC)
- 000 02062nam0 2200325 450
- 010 __ |a 978-7-121-40606-5 |d CNY99.00
- 100 __ |a 20210325d2021 em y0chiy50 ea
- 200 1_ |a 可解释机器学习 |A ke jie shi ji qi xue xi |e 黑盒模型可解释性理解指南 |d = Interpretable machine learning |e a guide for making black box models interpretable |f (德) Christoph Molnar著 |g 朱明超译 |z eng
- 210 __ |a 北京 |c 电子工业出版社 |d 2021.2
- 215 __ |a xvi, 230页 |c 图 (部分彩图) |d 24cm
- 306 __ |a 本书简体中文版专有出版权由Christoph Molnar授予电子工业出版社
- 314 __ |a 责任者Molnar规范汉译姓: 莫尔纳
- 314 __ |a 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。
- 320 __ |a 有书目 (第227-230页)
- 330 __ |a 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。
- 333 __ |a 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
- 500 10 |a Interpretable machine learning : a guide for making black box models interpretable |A Interpretable machine learning : a guide for making black box models interpretable |m Chinese
- 517 1_ |a 黑盒模型可解释性理解指南 |A hei he mo xing ke jie shi xing li jie zhi nan
- 606 0_ |a 机器学习 |A ji qi xue xi |x 分析方法 |x 研究
- 701 _1 |a 莫尔纳 |A mo er na |g (Molnar, Christoph) |4 著
- 702 _0 |a 朱明超 |A zhu ming chao |4 译
- 801 _0 |a CN |b 湖北三新 |c 20210325
- 905 __ |a GDPTC |d TP181-34/2