机读格式显示(MARC)

• 000 01960nam0 2200313 450

• 001 0000537751

• 005 20210907123400.0

• 010 __ |a 978-7-121-40606-5 |d CNY99.00

• 100 __ |a 20210325d2021 em y0chiy0110 ea

• 101 1_ |a chi |c eng

• 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 interpretable |f (德)C. 莫尔纳(Christoph Molnar)著 |g 朱明超译 |z eng

• 210 __ |a 北京 |c 电子工业出版社 |d 2021

• 215 __ |a xvi, 230页 |c 图 (部分彩图) |d 24cm

• 306 __ |a 本书简体中文版专有出版权由Christoph Molnar授予电子工业出版社

• 314 __ |a 责任者Molnar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。朱明超, 就读于复旦大学计算机科学技术专业, 热衷于知识推广, 主要研究机器学习和模型可解释性。

• 320 __ |a 有书目 (第227-230页)

• 330 __ |a 本书探索了可解释性的概念, 介绍了简单的、可解释的模型, 例如决策树、决策规则和线性回归, 重点介绍了解释黑盒模型的、与模型无关的方法, 如特征重要性和累积局部效应, 以及用Shapley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性讨论, 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习模型, 较少涉及计算机视觉和自然语言处理任务。

• 500 10 |a Interpretable machine learning : a guide for making black box models interpretable |A Interpretable Machine Learning : A Guide For Making Black Box Models Interpretable |m Chinese

• 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 |c (德) |a 莫尔纳 |A mo er na |c (Molnar, Christoph) |4 著

• 702 _0 |a 朱明超 |A zhu ming chao |4 译

• 801 _0 |a CN |b LIB |c 20210907

• 905 __ |a LIB |d TP181-34/1