可解释机器学习：黑盒模型可解释性理解指南

数字资源平台 > 工学> 控制科学与工程> 模式识别与智能系统> 可解释机器学习：黑盒模型可解释性理解指南

阅读次数： 7 下载次数： 7
荐购次数： 0 收藏次数： 0

作者：
(德)克里斯托夫·莫尔纳(ChristophMolnar)著
其他责任者：
郭涛译
出版社：
电子工业出版社

出版时间：
2024.10
ISBN：
978-7-121-49014-9
主题：
机器学习
中图法分类号：
TP181-34
【中图法分类】
T 工业技术 > TP自动化技术、计算机技术 > TP1自动化基础理论
【学科分类】
工学 > 控制科学与工程 > 模式识别与智能系统
交叉学科 > 智能科学与技术（可授理学、工学学位）
工学 > 电子信息 > 人工智能

建议阅读终端：

扫描用手机阅读此书支持Android/iPhone

在线试读

PDF格式

下载

PDF下载

分享到

注：如果您的电脑尚未安装PC客户端，请先安装客户端后再下载阅读！

编辑推荐

简介

暂无推荐

简介

机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。本书探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型(如特征重要性和累积局部效应)，以及用Shapley值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。本书深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制，各自的优缺点，如何解释它们的输出结果。本书将帮助读者选择并正确应用最适用于特定机器学习项目的解释方法。

展开 ∨

评分：

评价：

请输入评论信息

0/255 我要评论

全部评论(0)

默认排序