12 月 9 日,一本機器學習新書上線了,它就是《Limitations of Interpretable Machine Learning Methods》,中文譯為《可解釋機器學習方法的局限性》。
書籍簡介:
這本書主要解釋了目前可解釋機器學習方法的局限性。這些方法包括部分相關圖(PDP)、累積局部效應(ALE)、排列特征重要性、保留一個協變量(LOCO)和局部可解釋模型不可知解釋(LIME)。所有這些方法都可以用來解釋經過訓練的機器學習模型的行為和預測。但是,在以下情況下,解釋方法可能無法很好地工作:
- 如果模型互動式模組化(例如使用随機森林算法)
- 如果特征之間有很強的相關性
- 如果模型不能正确地模拟因果關系
- 如果解釋方法的參數設定不正确
本書是 2019 年夏天在慕尼黑大學統計系舉辦的“可解釋機器學習的局限性”研讨會的成果,可謂是一份精華總結。
目錄:
這本書總共有 254 頁,包含 14 章内容:
線上閱讀:
這本《可解釋機器學習方法的局限》也可以線上閱讀,線上網址為:
https://compstat-lmu.github.io/iml_methods_limitations/這份線上閱讀網址非常友好,頂部的菜單欄可為讀者提供搜尋、更改字型、編輯、下載下傳等功能,非常友善。
附加資源:
我在公衆号曾經釋出過另一份關于可解釋機器學習的書籍,這本書的重點是表格式資料(也稱為關系資料或結構化資料)的機器學習模型,而不是計算機視覺和自然語言處理任務。對于機器學習實踐者、資料科學家、統計學家以及任何其他對機器學習模型的解釋感興趣的人,推薦閱讀本書。
請戳連結:
《可解釋機器學習》最後,這本《可解釋機器學習方法的局限》提供 PDF 和 EPUB 兩種格式的下載下傳。這裡附上 PDF 版本的雲盤連結:
https://pan.baidu.com/s/1Fskz_JGf5YE2ypj3k424bA提取碼:strg