可解释的机器学习：让黑盒模型透明化——决策树、SHAP、LIME实践指南

2021-09互联网226¥1

📄 文件全名: 《电子书-可解释的机器学习》
🎯 适合读者: 机器学习从业者数据科学家统计学家
📊 核心数据: 226页, 3类解释方法, 1个开源书籍
🏷️ 核心议题: #互联网#机器学习#SHAP#LIME

📦 本报告属于月份合集

购买后将获得「2021 年 9 月报告合集」 · 共 2737 份报告打包下载链接

支付即将开放

报告摘要

本书深入浅出地讲解可解释机器学习概念，涵盖决策树、线性回归等简单模型，以及特征重要性、累积局部效应、Shapley值和LIME等模型无关方法。帮助数据科学家和机器学习从业者理解并应用解释技术，提升模型透明度和可信度。226页干货，适合所有对机器学习解释性感兴趣的读者。

📋 核心要点(部分)

可解释性概念, 简单可解释模型, 黑盒模型解释方法, 实例预测解释

同分类推荐

可解释的机器学习：让黑盒模型透明化——决策树、SHAP、LIME实践指南 | 资料宝