作 者:索信達控股 等 著
定 價:79
出 版 社:機械工業出版社
出版日期:2022年01月01日
頁 數:232
裝 幀:平裝
ISBN:9787111695714
1、涵蓋了可解釋機器學習 前沿的研究成果及行業成功應用經驗。2、從算法層面繫統地梳理了可解釋機器學習技術的研究體繫,脈絡清晰,層層遞進。3、書中除詳盡闡述了各種經典算法的原理外,還輔以數據、代碼實例演示算法實現的步驟,是一本理論與實踐相結合的實用指南。4、提供了可解釋機器學習應用於銀行業務場景的實際案例,讓讀者身臨其境,充分理解可解釋機器學習是如何解決現實問題的。5、涵蓋了金融科技領域新的技術應用成果,對金融機構數字化建設有重要的參考價值。
●前言
第一部分 背景
第1章 引言
1.1 可解釋機器學習研究背景
1.1.1 機器學習面臨的挑戰
1.1.2 黑盒模型存在的問題
1.2 模型可解釋性的重要性
1.3 國內外的模型監管政策
1.4 本章小結
第2章 可解釋機器學習
2.1 模型的可解釋性
2.1.1 可解釋性的定義
2.1.2 可解釋性的分類
2.1.3 可解釋機器學習的研究方向
2.2 可解釋性的作用
2.2.1 產生信任
2.2.2 提供因果關繫依據
2.2.3 幫助模型診斷
2.2.4 安全使用模型
2.2.5 避免發生偏見與歧視
2.3 可解釋性的實現
2.3.1 建模前的可解釋性實現
2.3.2 建模中的可解釋性實現
2.3.3 建模後的可解釋性實現
2.4 本章小結
第二部分 理論
第3章 內在可解釋機器學習模型
3.1 傳統統計模型
3.1.1 線性回歸
3.1.2 廣義線性模型
3.1.3 廣義加性模型
3.1.4 決策樹
3.2 EBM模型
3.2.1 模型定義
3.2.2 識別二階交互項
3.2.3 實現算法
3.2.4 模型解釋性
3.2.5 模型的優勢與不足
3.3 GAMI-Net模型
3.3.1 模型定義
3.3.2 GAMI-Net的3個重要準則
3.3.3 實現算法
3.3.4 模型解釋性
3.3.5 模型的優勢與不足
3.4 RuleFit模型
3.4.1 模型定義
3.4.2 規則提取
3.4.3 實現算法
3.4.4 模型解釋性
3.4.5 模型的優勢與不足
3.5 Falling Rule Lists模型
3.5.1 模型定義
3.5.2 模型參數估計
3.5.3 實現算法
3.5.4 模型解釋性
3.5.5 模型的優勢與不足
3.6 GAMMLI模型
3.6.1 傳統推薦算法的不足
3.6.2 交互項效應擬合方法
3.6.3 自適應軟填充
3.6.4 模型解釋性
3.6.5 模型的優勢與不足
3.7 本章小結
第4章 復雜模型事後解析方法
4.1 部分依賴圖
4.1.1 部分依賴函數
4.1.2 估計方法
4.1.3 部分依賴圖的局限
4.1.4 個體條件期望圖
4.1.5 實例演示
4.2 累積局部效應圖
4.2.1 從部分依賴圖到累積局部效應圖
4.2.2 累積局部效應方程
4.2.3 實例演示
4.2.4 ALE方法的優劣
4.3 LIME事後解析方法
4.3.1 局部代理模型
4.3.2 LIME方法的基本流程
4.3.3 LIME方法的解釋
4.3.4 LIME方法的優劣
4.4 SHAP事後解析方法
4.4.1 SHAP的基本思想
4.4.2 Shapley Value
4.4.3 SHAP的實現算法
4.4.4 SHAP方法的解釋
4.4.5 SHAP方法的優劣
4.4.6 擴展閱讀
4.5 本章小結
第三部分 實例
第5章 銀行VIP客戶流失預警及歸因分析
5.1 案例背景
5.2 數據介紹
5.3 建模分析
5.3.1 目標定義
5.3.2 數據處理
5.3.3 模型構建
5.3.4 流失歸因
5.4 營銷建議
5.5 代碼展示
5.6 本章小結
第6章 銀行個人客戶信用評分模型研究
6.1 案例背景
6.2 數據介紹
6.3 建模分析
6.3.1 目標定義
6.3.2 數據處理
6.3.3 模型構建
6.4 三種方法對比
6.5 代碼展示
6.6 擴展思考:基於規則的特征衍生
6.7 本章小結
第7章 銀行理財產品推薦建模分析
7.1 場景介紹
7.1.1 推薦繫統
7.1.2 銀行中的推薦繫統
7.2 數據介紹
7.2.1 推薦場景數據特點
7.2.2 Santander數據集
7.3 建模分析
7.3.1 數據處理
7.3.2 模型構建
7.3.3 模型結果評估
7.4 案例分析
7.5 本章小結
本書是索信達金融AI實驗室團隊結合學術界前沿理論研究和金融行業應用經驗打造的國內專享的關於可解釋機器學習應用方面的圖書。書中將可解釋機器學習技術的研究路線和應用成果進行了繫統的整理,用通俗易懂的語言詳述了可解釋機器學習研究中先後出現的各種理論算法,並通過豐富的真實業務場景案例指導讀者透徹理解和熟練使用可解釋機器學習技術解決現實問題。全書共七章,分為三大部分,第一部分為背景(第1~2章),闡述可解釋機器機器學習的背景和重要性,幫助讀者對可解釋機器學習建立初步印像;第二部分為理論(第3~4章),根據可解釋機器學習的分類,從內在可解釋和事後可解釋兩個方向介紹該領域中常見的模型和方法,幫助讀者搭建起可解釋機器學習的理論知識體繫;第三部分為實例(第5~7章),重點介紹可解釋機器學習在金融領域不同業務場景的應用成果,通過案例的形式進行了全過程的分享展示,進一步加深讀者對可解釋機器學習在金融領域應用價值等
索信達控股 等 著
邵平資深數據科學家,索信達控股金融AI實驗室總監。在大數據、人工智能領域有十多年技術研發和行業應用經驗。技術方向涉及可解釋機器學習、深度學習、時間序列預測、智能推薦、自然語言處理等。現主要致力於可解釋機器學習、推薦繫統、銀行智能營銷和智能風控等領域的技術研究和項目實踐。楊健穎雲南財經大學統計學碩士,高級數據挖掘工程師,一個對數據科學有堅定信念的追求者,目前重點研究機器學習模型的可解釋性。蘇思達美國天普大學統計學碩士,機器學習算法專家,長期為銀行提供大數據與人工智能解決方案和技術服務。主要研究方向為可解釋機器學習與人工智能,曾撰寫《可解釋機器學習研究報告》和多篇可解釋等