《Interpretable Machine Learning》，这本书最初是由Christoph Molnar耗时两年完成，长达250页，在公开至今该书得到密切关注，这是在可解释性领域可以找到的仅有的一本书，并被FloydHub评定为2020年世界最佳机器学习著作之一。

该书原作者是 Christoph Molnar，他是一名数据科学家和可解释机器学习博士 @christophM。

这本书由复旦大学朱明超完成它的翻译和校正工作，目前已经开源放到GitHub网页上，《可解释的机器学习》。作者Christoph Molnar 在其后也发到了推特上。

英文原文地址：

https://christophm.github.io/interpretable-ml-book/

复旦大学朱明超翻译地址：

https://github.com/MingchaoZhu/InterpretableMLBook 

“可解释”是这本书的核心论题。作者Molnar认为，可解释性在机器学习甚至日常生活中都是相当重要的一个问题。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型可解释的人阅读本书。

Molnar表示，虽然数据集与黑盒机器学习解决了很多问题，但这不是最好的使用姿势，现在模型本身代替了数据成为了信息的来源，但可解释性可以提取模型捕捉到的额外信息。当我们的日常生活中全都是机器和算法时，也需要可解释性来增加社会的接受度。毕竟要是连科学家都研究不透“黑盒”，怎样让普通人完全信任模型做出的决策呢？

这本书的重点是机器学习的可解释性。你将学习简单的、可解释的模型，如线性回归、决策树和决策规则等。后面几章重点介绍了解释黑盒模型的模型无关的一般方法，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。

《可解释的机器学习》该书总共包含 7 章内容。章节目录如下：

  • 第一章：前言
  • 第二章：可解释性
  • 第三章：数据集
  • 第四章：可解释的模型
  • 第五章：模型无关方法
  • 第六章：基于样本的解释
  • 第七章：水晶球

内容中包含的图片若涉及版权问题，请及时与我们联系删除