更新时间：2021-04-16 16:16:16
封面
版权信息
前折页
内容简介
推荐序一
推荐序二
作者序
译者序
第1章 引言
1.1 故事时间
1.1.1 闪电不会击中两次
1.1.2 信任倒下
1.1.3 费米的回形针
1.2 什么是机器学习
1.3 术语
第2章 可解释性
2.1 可解释性的重要性
2.2 可解释性方法的分类
2.3 可解释性的范围
2.3.1 算法透明度
2.3.2 全局、整体的模型可解释性
2.3.3 模块层面上的全局模型可解释性
2.3.4 单个预测的局部可解释性
2.3.5 一组预测的局部可解释性
2.4 可解释性评估
2.5 解释的性质
2.6 人性化的解释
2.6.1 什么是解释
2.6.2 什么是好的解释
第3章 数据集
3.1 自行车租赁（回归）
3.2 YouTube 垃圾评论（文本分类）
3.3 宫颈癌的危险因素（分类）
第4章 可解释的模型
4.1 线性回归
4.1.1 解释
4.1.2 示例
4.1.3 可视化解释
4.1.4 解释单个实例预测
4.1.5 分类特征的编码
4.1.6 线性模型是否有很好的解释
4.1.7 稀疏线性模型
4.1.8 优点
4.1.9 缺点
4.2 逻辑回归
4.2.1 线性回归用于分类有什么问题
4.2.2 理论
4.2.3 解释
4.2.4 示例
4.2.5 优缺点
4.2.6 软件
4.3 GLM、GAM 和其他模型
4.3.1 非高斯结果输出——GLM
4.3.2 交互
4.3.3 非线性效应——GAM
4.3.4 优点
4.3.5 缺点
4.3.6 软件
4.3.7 进一步扩展
4.4 决策树
4.4.1 解释
4.4.2 示例
4.4.3 优点
4.4.4 缺点
4.4.5 软件
4.5 决策规则
4.5.1 OneR
4.5.2 顺序覆盖
4.5.3 贝叶斯规则列表
4.5.4 优点
4.5.5 缺点
4.5.6 软件和替代方法
4.6 RuleFit
4.6.1 解释和示例
4.6.2 理论
4.6.3 优点
4.6.4 缺点
4.6.5 软件和替代方法
4.7 其他可解释模型
4.7.1 朴素贝叶斯分类器
4.7.2 k-近邻
第5章 与模型无关的方法
5.1 部分依赖图
5.1.1 示例
5.1.2 优点
5.1.3 缺点
5.1.4 软件和替代方法
5.2 个体条件期望
5.2.1 示例
5.2.2 优点
5.2.3 缺点
5.2.4 软件和替代方法
5.3 累积局部效应图
5.3.1 动机和直觉
5.3.2 理论
5.3.3 ALE 图的估计
5.3.4 示例
5.3.5 优点
5.3.6 缺点
5.3.7 软件和替代方法
