"第一部繫統總結可解釋機器學習的著作全面介紹了可解釋模型、黑盒模型的可解釋性、與模型無關的方法包含各種解釋方法優缺點，以及每種方法的軟件實現《可解釋機器學習：黑盒模型可解釋性理解指南》沒有晦澀的語言與公式推導，通過平實的語言、現實生活中的例子講解相關概念，通俗易懂適合機器學習從業者、數據科學家、統計學家和任何對使機器學習模型可解釋的人閱讀各種解釋方法是如何工作的？優點和缺點分別是什麼？如何解釋它們的輸出？翻開本書都將一一找到答案！阿裡巴巴達摩院資深算法專家楊紅霞博士、等

●推薦序一/III
推薦序二/V
作者序/VII
譯者序/IX
第1章引言/1
1.1故事時間/2
1.1.1閃電不會擊中兩次/2
1.1.2信任倒下/4
1.1.3費米的回形針/6
1.2什麼是機器學習/7
1.3術語/8
第2章可解釋性/13
2.1可解釋性的重要性/14
2.2可解釋性方法的分類/18
2.3可解釋性的範圍/20
2.3.1算法透明度/20
2.3.2全局、整體的模型可解釋性/21
2.3.3模塊層面上的全局模型可解釋性/21
2.3.4單個預測的局部可解釋性/22
2.3.5一組預測的局部可解釋性/22
2.4可解釋性評估/22
2.5解釋的性質/23
2.6人性化的解釋/25
2.6.1什麼是解釋/26
2.6.2什麼是好的解釋/26
第3章數據集/31
3.1自行車租賃（回歸）/32
3.2YouTube垃圾評論（文本分類）/32
3.3宮頸癌的危險因素（分類）/33
第4章可解釋的模型/35
4.1線性回歸/36
4.1.1解釋/38
4.1.2示例/40
4.1.3可視化解釋/41
4.1.4解釋單個實例預測/44
4.1.5分類特征的編碼/45
4.1.6線性模型是否有很好的解釋/46
4.1.7稀疏線性模型/47
4.1.8優點/50
4.1.9缺點/50
4.2邏輯回歸/51
4.2.1線性回歸用於分類有什麼問題/51
4.2.2理論/52
4.2.3解釋/53
4.2.4示例/55
4.2.5優缺點/56
4.2.6軟件/57
4.3GLM、GAM和其他模型/57
4.3.1非高斯結果輸出――GLM/59
4.3.2交互/63
4.3.3非線性效應――GAM/66
4.3.4優點/71
4.3.5缺點/71
4.3.6軟件/72
4.3.7進一步擴展/72
4.4決策樹/73
4.4.1解釋/75
4.4.2示例/76
4.4.3優點/77
4.4.4缺點/78
4.4.5軟件/78
4.5決策規則/79
4.5.1OneR/81
4.5.2順序覆蓋/85
4.5.3貝葉斯規則列表/88
4.5.4優點/93
4.5.5缺點/94
4.5.6軟件和替代方法/94
4.6RuleFit/95
4.6.1解釋和示例/96
4.6.2理論/97
4.6.3優點/100
4.6.4缺點/101
4.6.5軟件和替代方法/101
4.7其他可解釋模型/101
4.7.1樸素貝葉斯分類器/102
4.7.2k-近鄰/102
第5章與模型無關的方法/103
5.1部分依賴圖/105
5.1.1示例/106
5.1.2優點/108
5.1.3缺點/110
5.1.4軟件和替代方法/110
5.2個體條件期望/111
5.2.1示例/111
5.2.2優點/115
5.2.3缺點/115
5.2.4軟件和替代方法/115
5.3累積局部效應圖/115
5.3.1動機和直覺/115
5.3.2理論/119
5.3.3ALE圖的估計/120
5.3.4示例/123
5.3.5優點/130
5.3.6缺點/131
5.3.7軟件和替代方法/132
5.4特征交互/132
5.4.1特征交互的概念/133
5.4.2理論：弗裡德曼的H統計量/134
5.4.3示例/135
5.4.4優點/137
5.4.5缺點/138
5.4.6實現/138
5.4.7替代方法/138
5.5置換特征重要性/139
5.5.1理論/139
5.5.2應該計算訓練數據的重要性還是測試數據的重要性/140
5.5.3示例和解釋/142
5.5.4優點/143
5.5.5缺點/145
5.5.6軟件和替代方法/146
5.6全局代理模型/146
5.6.1理論/146
5.6.2示例/148
5.6.3優點/150
5.6.4缺點/150
5.6.5軟件/150
5.7局部代理模型（LIME）/150
5.7.1表格數據的LIME/152
5.7.2文本的LIME/155
5.7.3圖像的LIME/156
5.7.4優點/156
5.7.5缺點/158
5.8Shapley值/158
5.8.1總體思路/158
5.8.2示例與解釋/162
5.8.3詳細的Shapley值/163
5.8.4優點/167
5.8.5缺點/168
5.8.6軟件和替代方法/169
5.9SHAP/169
5.9.1SHAP的定義/169
5.9.2KernelSHAP/171
5.9.3TreeSHAP/174
5.9.4示例/175
5.9.5SHAP特征重要性/176
5.9.6SHAP概要圖/177
5.9.7SHAP依賴圖/178
5.9.8SHAP交互值/179
5.9.9聚類SHAP值/180
5.9.10優點/180
5.9.11缺點/181
5.9.12軟件/182
第6章基於樣本的解釋/183
6.1反事實解釋/185
6.1.1生成反事實解釋/187
6.1.2示例/189
6.1.3優點/190
6.1.4缺點/190
6.1.5軟件和替代方法/191
6.2對抗樣本/191
6.2.1方法與示例/192
6.2.2網絡安全視角/198
6.3原型與批評/199
6.3.1理論/200
6.3.2示例/205
6.3.3優點/205
6.3.4缺點/206
6.3.5軟件和替代方法/206
6.4有影響力的實例/206
6.4.1刪除診斷/209
6.4.2影響函數/213
6.4.3識別有影響力的實例的優點/218
6.4.4識別有影響力的實例的缺點/218
6.4.5軟件和替代方法/219
第7章水晶球/221
7.1機器學習的未來/223
7.2可解釋性的未來/224
參考文獻/227

機器學習雖然對改進產品性能和推進研究有很大的潛力，但無法對它們的預測做出解釋，這是當前面臨的一大障礙。本書是一本關於使機器學習模型及其決策具有可解釋性的書。本書探索了可解釋性的概念，介紹了簡單的、可解釋的模型，例如決策樹、決策規則和線性回歸，重點介紹了解釋黑盒模型的、與模型無關的方法，如特征重要性和累積局部效應，以及用Shapley值和LIME解釋單個實例預測。本書對所有的解釋方法進行了深入說明和批判性討論，例如它們如何在黑盒下工作、它們的優缺點是什麼、如何解釋它們的輸出。本書將解答如何選擇並正確應用解釋方法。本書的重點是介紹表格式數據的機器學習模型，較少涉及計算機視覺和自然語言處理任務。本書適合機器學習從業者、數據科學家、統計學家和所有對使機器學習模型具有可解釋性感興趣的人閱讀。

(德)克裡斯托夫·莫爾納 著 朱明超 譯