可解释机器学 黑盒模型可解释理解指南 人工智能 (德)克里斯托夫·莫尔纳
打开ai黑盒，揭秘机器学模型机制。8种模型 + 13种方法，带你跨入模型可解释之门！
￥ 59.35 6.0折 ￥ 99 全新
库存4件
作者(德)克里斯托夫·莫尔纳
出版社电子工业出版社
ISBN9787121406065
出版时间2021-02
版次1
装帧平装
开本16
页数248页
字数298千字
定价99元
货号xhwx_1202308652
上书时间2024-12-19
- 在售商品 暂无
- 平均发货时间 26小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
"部系统结可解释机器学的著作
全面介绍了可解释模型、黑盒模型的可解释、与模型无关的方法
包含各种解释方法优缺点，以及每种方法的软件实现
可解释机器学：黑盒模型可解释理解指南没有晦涩的语言与公式推导，通过实的语言、现实生活中的例子讲解相关概念，通俗易懂
适合机器学从业者、数据科学家、统计学家和任何对使机器学模型可解释的人阅读
各种解释方法是如何工作的？优点和缺点分别是什么？如何解释它们的输出？
翻开本书都将一一找到！
阿里巴巴达摩院算法专家杨红霞博士、复旦大学计算机学院谢志鹏教授，倾情作序！
浙江大学计算机科学与技术学院陈华钧教授；同济大学百人计划特聘研究员、openkg创始人之一王昊奋教授；学院人工智能联盟标准组成员、大海无量首席科学家吴焦苏教授，联袂！"
目录：
序一/iii
序二/v
作者序/vii
译者序/ix
章引言/1
1.1故事时间/2
1.1.1闪电不会击中两次/2
1.1.2信任倒下/4
1.1.3费米的回形针/6
1.2什么是机器学/7
1.3术语/8
第2章可解释/13
2.1可解释的重要/14
2.2可解释方法的分类/18
2.3可解释的范围/20
2.3.1算法透明度/20
2.3.2全局、整体的模型可解释/21
2.3.3模块层面上的全局模型可解释/21
2.3.4单个预测的局部可解释/22
2.3.5一组预测的局部可解释/22
2.4可解释评估/22
2.5解释的质/23
2.6人化的解释/25
2.6.1什么是解释/26
2.6.2什么是好的解释/26
第3章数据集/31
3.1自行车租赁（回归）/32
3.2youtube垃圾（文本分类）/32
3.3的危险因素（分类）/33
第4章可解释的模型/35
4.1线回归/36
4.1.1解释/38
4.1.2示例/40
4.1.3可视化解释/41
4.1.4解释单个实例预测/44
4.1.5分类特征的编码/45
4.1.6线模型是否有很好的解释/46
4.1.7稀疏线模型/47
4.1.8优点/50
4.1.9缺点/50
4.2逻辑回归/51
4.2.1线回归用于分类有什么问题/51
4.2.2理论/52
4.2.3解释/53
4.2.4示例/55
4.2.5优缺点/56
4.2.6软件/57
4.3glm、gam和其他模型/57
4.3.1非高斯结果输出――glm/59
4.3.2交互/63
4.3.3非线效应――gam/66
4.3.4优点/71
4.3.5缺点/71
4.3.6软件/72
4.3.7进一步扩展/72
4.4决策树/73
4.4.1解释/75
4.4.2示例/76
4.4.3优点/77
4.4.4缺点/78
4.4.5软件/78
4.5决策规则/79
4.5.1oner/81
4.5.2顺序覆盖/85
4.5.3贝叶斯规则列表/88
4.5.4优点/93
4.5.5缺点/94
4.5.6软件和替代方法/94
4.6rulefit/95
4.6.1解释和示例/96
4.6.2理论/97
4.6.3优点/100
4.6.4缺点/101
4.6.5软件和替代方法/101
4.7其他可解释模型/101
4.7.1朴素贝叶斯分类器/102
4.7.2k-近邻/102
第5章与模型无关的方法/103
5.1部分依赖图/105
5.1.1示例/106
5.1.2优点/108
5.1.3缺点/110
5.1.4软件和替代方法/110
5.2个体条件期望/111
5.2.1示例/111
5.2.2优点/115
5.2.3缺点/115
5.2.4软件和替代方法/115
5.3累积局部效应图/115
5.3.1动机和直觉/115
5.3.2理论/119
5.3.3ale图的估计/120
5.3.4示例/123
5.3.5优点/130
5.3.6缺点/131
5.3.7软件和替代方法/132
5.4特征交互/132
5.4.1特征交互的概念/133
5.4.2理论：弗里德曼的h统计量/134
5.4.3示例/135
5.4.4优点/137
5.4.5缺点/138
5.4.6实现/138
5.4.7替代方法/138
5.5置换特征重要/139
5.5.1理论/139
5.5.2应该计算训练数据的重要还是测试数据的重要/140
5.5.3示例和解释/142
5.5.4优点/143
5.5.5缺点/145
5.5.6软件和替代方法/146
5.6全局代理模型/146
5.6.1理论/146
5.6.2示例/148
5.6.3优点/150
5.6.4缺点/150
5.6.5软件/150
5.7局部代理模型（lime）/150
5.7.1表格数据的lime/152
5.7.2文本的lime/155
5.7.3图像的lime/156
5.7.4优点/156
5.7.5缺点/158
5.8shapley值/158
5.8.1体思路/158
5.8.2示例与解释/162
5.8.3详细的shapley值/163
5.8.4优点/167
5.8.5缺点/168
5.8.6软件和替代方法/169
5.9shap/169
5.9.1shap的定义/169
5.9.2kernelshap/171
5.9.3treeshap/174
5.9.4示例/175
5.9.5shap特征重要/176
5.9.6shap概要图/177
5.9.7shap依赖图/178
5.9.8shap交互值/179
5.9.9聚类shap值/180
5.9.10优点/180
5.9.11缺点/181
5.9.12软件/182
第6章基于样本的解释/183
6.1反事实解释/185
6.1.1生成反事实解释/187
6.1.2示例/189
6.1.3优点/190
6.1.4缺点/190
6.1.5软件和替代方法/191
6.2对抗样本/191
6.2.1方法与示例/192
6.2.2网络安全视角/198
6.3原型与批评/199
6.3.1理论/200
6.3.2示例/205
6.3.3优点/205
6.3.4缺点/206
6.3.5软件和替代方法/206
6.4有影响力的实例/206
6.4.1删除诊断/209
6.4.2影响函数/213
6.4.3识别有影响力的实例的优点/218
6.4.4识别有影响力的实例的缺点/218
6.4.5软件和替代方法/219
第7章球/221
7.1机器学的未来/223
7.2可解释的未来/224
参文献/227
内容简介：
机器学虽然对改进产品能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。本书是一本关于使机器学模型及其决策具有可解释的书。本书探索了可解释的概念，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，如特征重要和累积局部效应，以及用hapley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模型，较少涉及计算机视觉和自然语言处理任务。本书适合机器学从业者、数据科学家、统计学家和所有对使机器学模型具有可解释感兴趣的人阅读。
作者简介：
"chritoph molnar
可解释机器学研究员，目前在德国慕尼黑大学统计研究所攻读博士，目标是让机器学模型的决策更容易被人类理解。著作interpretable machine learning 受到业界高度关注。
译者介绍
朱明超
读于复旦大学计算机科学技术专业，热衷于知识推广，主要研究机器学和模型可解释。"
相关推荐
-
可解释机器学习 黑盒模型可解释性理解指南
全新广州
￥ 55.54
-
可解释机器学习 黑盒模型可解释性理解指南
全新广州
￥ 55.54
-
可解释机器学习 黑盒模型可解释性理解指南
全新广州
￥ 55.61
-
可解释机器学习 黑盒模型可解释性理解指南
全新广州
￥ 55.56
-
可解释机器学习 黑盒模型可解释性理解指南
全新广州
￥ 55.51
-
可解释机器学习 黑盒模型可解释性理解指南（
全新北京
￥ 57.83
-
可解释机器学习：黑盒模型可解释性理解指南
全新天津
￥ 56.43
-
可解释机器学习：黑盒模型可解释性理解指南
全新保定
￥ 65.34
-
可解释机器学习 黑盒模型可解释性理解指南
全新天津
￥ 56.41
-
可解释机器学习 黑盒模型可解释性理解指南（
全新北京
￥ 57.83
— 没有更多了 —
以下为对购买帮助不大的评价