點擊上方“AI有道”，選擇“星標”公衆號
重磅乾貨，第一時間送達
12 月 9 日，一本機器學習新書上線了，它就是《Limitations of Interpretable Machine Learning Methods》，中文譯爲《可解釋機器學習方法的侷限性》。
書籍簡介：
這本書主要解釋了當前可解釋機器學習方法的侷限性。這些方法包括部分相關圖（PDP）、累積局部效應（ALE）、排列特徵重要性、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爲和預測。但是，在以下情況下，解釋方法可能無法很好地工作：
如果模型交互式建模（例如使用隨機森林算法）
如果特徵之間有很強的相關性
如果模型不能正確地模擬因果關係
如果解釋方法的參數設置不正確
本書是 2019 年夏天在慕尼黑大學統計系舉辦的“可解釋機器學習的侷限性”研討會的成果，可謂是一份精華總結。
目錄：
這本書總共有 254 頁，包含 14 章內容：
在線閱讀：
這本《可解釋機器學習方法的侷限》也可以在線閱讀，在線網址爲：
https://compstat-lmu.github.io/iml_methods_limitations/
這份在線閱讀網址非常友好，頂部的菜單欄可爲讀者提供搜索、更改字體、編輯、下載等功能，非常方便。
附加資源：
我在公衆號曾經發布過另一份關於可解釋機器學習的書籍，這本書的重點是表格式數據（也稱爲關係數據或結構化數據）的機器學習模型，而不是計算機視覺和自然語言處理任務。對於機器學習實踐者、數據科學家、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。
請戳鏈接：《可解釋機器學習》
最後，這本《可解釋機器學習方法的侷限》提供 PDF 和 EPUB 兩種格式的下載。這裏附上 PDF 版本的雲盤鏈接：
https://pan.baidu.com/s/1Fskz_JGf5YE2ypj3k424bA
提取碼：strg
推薦閱讀
（點擊標題可跳轉閱讀）
重磅！
林軒田機器學習完整視頻和博主筆記來啦！
掃描下方二維碼，添加 AI有道小助手微信，可申請入羣，並獲得林軒田機器學習完整視頻 + 博主紅色石頭的精煉筆記（一定要備註：入羣 + 地點 + 學校/公司。例如：入羣+上海+復旦。
長按掃碼，申請入羣
（添加人數較多，請耐心等待）
最新 AI 乾貨，我在看
