Interpretable Machine Learning: A Guide for Making Black Box Models Explainable

Abstract

Cuốn sách này nói về việc tạo ra các mô hình học máy và các quyết định của chúng có thể hiểu được. Sau khi khám phá các khái niệm về khả năng diễn giải, bạn sẽ tìm hiểu về các mô hình đơn giản, dễ hiểu như cây quyết định, quy tắc quyết định và hồi quy tuyến tính. Các chương sau tập trung vào các phương pháp có thể về mô hình chung để diễn giải các mô hình hộp đen như tầm quan trọng của đặc điểm và hiệu ứng cục bộ tích lũy cũng như giải thích các dự đoán riêng lẻ bằng các giá trị Shapley và LIME. Tất cả các phương pháp giải thích đều được giải thích sâu sắc và được thảo luận một cách nghiêm túc. Điểm mạnh và điểm yếu của họ là gì? Làm thế nào kết quả đầu ra của họ có thể được giải thích? Cuốn sách này sẽ giúp bạn chọn và áp dụng chính xác phương pháp diễn giải phù hợp nhất cho dự án học máy của bạn.