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 bất khả tri 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. Làm thế nào để họ làm việc dưới mui xe? 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.

Abstract:

This book is about making machine learning models and their decisions interpretable. After exploring the concepts of interpretability, you will learn about simple, interpretable models such as decision trees, decision rules and linear regression. Later chapters focus on general model-agnostic methods for interpreting black box models like feature importance and accumulated local effects and explaining individual predictions with Shapley values and LIME. All interpretation methods are explained in depth and discussed critically. How do they work under the hood? What are their strengths and weaknesses? How can their outputs be interpreted? This book will enable you to select and correctly apply the interpretation method that is most suitable for your machine learning project.

Ngôn ngữ:	En
Tác giả:	Christoph Molnar
Thông tin nhan đề:	Interpretable Machine Learning
Nhà xuất bản:	Leanpub
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/licenses/by-nc-sa/4.0/
Nguồn gốc:	https://www.dbooks.org/interpretable-machine-learning-0244768528/
Mô tả vật lý:	312p.
Năm xuất bản:	2020