机读格式显示(MARC)

• 000 01939nam0 2200313 450

• 001 0000798281

• 005 20250620103400.0

• 010 __ |a 978-7-121-49014-9 |d CNY118.00

• 100 __ |a 20241210d2024 em y0chiy50 ea

• 101 1_ |a chi |c ger

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 可解释机器学习 |A ke jie shi ji qi xue xi |e 黑盒模型可解释性理解指南 |d = Interpretable machine learning |e a guide for making black box models explainable |f (德) Christoph Molnar著 |g 郭涛译 |z eng

• 210 __ |a 北京 |c 电子工业出版社 |d 2024.10

• 215 __ |a 19, 250页 |c 图 |d 24cm

• 305 __ |a 据原书第2版译出

• 314 __ |a 责任者规范汉译姓: 莫尔纳

• 314 __ |a Christoph Molnar, 可解释机器学习研究员, 目前在德国慕尼黑大学统计研究所攻读博士学位, 目标是让机器学习模型的决策更容易被人类理解。郭涛, 主要从事人工智能、智能计算、概率与统计学、现代软件工程等前沿交叉研究。

• 320 __ |a 有书目 (第244-250页)

• 330 __ |a 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。

• 510 1_ |a Interpretable machine learning |e a guide for making black box models explainable |z eng

• 517 1_ |a 黑盒模型可解释性理解指南 |A hei he mo xing ke jie shi xing li jie zhi nan

• 606 0_ |a 机器学习 |A ji qi xue xi |x 分析方法 |x 研究

• 690 __ |a TP181-34 |v 5

• 701 _1 |a 莫尔纳 |A mo er na |g (Molnar, Christoph) |4 著

• 702 _0 |a 郭涛 |A guo tao |4 译

• 801 _0 |a CN |b 安徽时代 |c 20241210

• 905 __ |a LIB |d TP181/418