可解釋機器學習：黑盒模型可解釋性理解指南

序一/III
序二/V
作者序/Ⅶ
譯者序/Ⅸ

第1章 引言/1
1.1故事時間/2
1.1.1閃電不會擊中兩次/2
1.1.2信任倒下/4
1.1.3費米的迴紋針/6
1.2什麼是機器學習/7
1.3術語/8

第2章 可解釋性/13
2.1可解釋性的重要性/14
2.2可解釋性方法的分類/18
2.3可解釋性的範圍/20
2.3.1演算法透明度/20
2.3.2全域、整體的模型可解釋性/21
2.3.3模組層面上的全域模型可解釋性/21
2.3.4單個預測的局部可解釋性/22
2.3.5一組預測的局部可解釋性/22
2.4可解釋性評估/22
2.5解釋的性質/23
2.6 人性化的解釋/25
2.6.1 什麼是解釋/26
2.6.2 什麼是好的解釋/26
第3章 數據集/31
3.1 自行車租賃（回歸） /32
3.2 YouTube 垃圾評論（文本分類） /32
3.3 宮頸癌的危險因素（分類） /33

第4章 可解釋的模型/35
4.1 線性回歸/36
4.1.1 解釋/38
4.1.2 示例/40
4.1.3 視覺化解釋/41
4.1.4 解釋單個實例預測/44
4.1.5 分類特徵的編碼/45
4.1.6 線性模型是否有很好的解釋/46
4.1.7 稀疏線性模型/47
4.1.8 優點/50
4.1.9 缺點/50
4.2 邏輯回歸/51
4.2.1 線性回歸用於分類有什麼問題/51
4.2.2 理論/52
4.2.3 解釋/53
4.2.4 示例/55
4.2.5 優缺點/56
4.2.6 軟件/57
4.3 GLM、GAM 和其他模型/57
4.3.1 非高斯結果輸出――GLM /59
4.3.2 交互/63
4.3.3 非線性效應――GAM /66
4.3.4 優點/71
4.3.5 缺點/71
4.3.6 軟件/72
4.3.7 進一步擴展/72
4.4 決策樹/73
4.4.1 解釋/75
4.4.2 示例/76
4.4.3 優點/77
4.4.4 缺點/78
4.4.5 軟件/78
4.5 決策規則/79
4.5.1 OneR /81
4.5.2 順序覆蓋/85
4.5.3 貝葉斯規則清單/88
4.5.4 優點/93
4.5.5 缺點/94
4.5.6 軟件和替代方法/94
4.6 RuleFit /95
4.6.1 解釋和示例/96
4.6.2 理論/97
4.6.3 優點/100
4.6.4 缺點/101
4.6.5 軟件和替代方法/101
4.7 其他可解釋模型/101
4.7.1 樸素貝葉斯分類器/102
4.7.2 k-近鄰/102

第5章 與模型無關的方法/103
5.1 部分依賴圖/105
5.1.1 示例/106
5.1.2 優點/108
5.1.3 缺點/110
5.1.4 軟件和替代方法/110
5.2 個體條件期望/111
5.2.1 示例/111
5.2.2 優點/115
5.2.3 缺點/115
5.2.4 軟件和替代方法/115
5.3 累積局部效應圖/115
5.3.1 動機和直覺/115
5.3.2 理論/119
5.3.3 ALE 圖的估計/120
5.3.4 示例/123
5.3.5 優點/130
5.3.6 缺點/131
5.3.7 軟件和替代方法/132
5.4 特徵交互/132
5.4.1 特徵交互的概念/133
5.4.2 理論：弗裡德曼的H 統計量/134
5.4.3 示例/135
5.4.4 優點/137
5.4.5 缺點/138
5.4.6 實現/138
5.4.7 替代方法/138
5.5 置換特徵重要性/139
5.5.1 理論/139
5.5.2 應該計算訓練數據的重要性還是測試數據的重要性/140
5.5.3 示例和解釋/142
5.5.4 優點/143
5.5.5 缺點/145
5.5.6 軟件和替代方法/146
5.6 全域代理模型/146
5.6.1 理論/146
5.6.2 示例/148
5.6.3 優點/150
5.6.4 缺點/150
5.6.5 軟件/150
5.7 局部代理模型（LIME） /150
5.7.1 表格數據的LIME /152
5.7.2 文本的LIME /155
5.7.3 圖像的LIME /156
5.7.4 優點/156
5.7.5 缺點/158
5.8 Shapley 值/158
5.8.1 總體思路/158
5.8.2 示例與解釋/162
5.8.3 詳細的Shapley 值/163
5.8.4 優點/167
5.8.5 缺點/168
5.8.6 軟件和替代方法/169
5.9 SHAP /169
5.9.1 SHAP 的定義/169
5.9.2 KernelSHAP /171
5.9.3 TreeSHAP /174
5.9.4 示例/175
5.9.5 SHAP 特徵重要性/176
5.9.6 SHAP 概要圖/177
5.9.7 SHAP 依賴圖/178
5.9.8 SHAP 交互值/179
5.9.9 聚類SHAP 值/180
5.9.10 優點/180
5.9.11 缺點/181
5.9.12 軟件/182

第6章 基於樣本的解釋/183
6.1 反事實解釋/185
6.1.1 生成反事實解釋/187
6.1.2 示例/189
6.1.3 優點/190
6.1.4 缺點/190
6.1.5 軟件和替代方法/191
6.2 對抗樣本/191
6.2.1 方法與示例/192
6.2.2 網路安全視角/198
6.3 原型與批評/199
6.3.1 理論/200
6.3.2 示例/205
6.3.3 優點/205
6.3.4 缺點/206
6.3.5 軟件和替代方法/206
6.4 有影響力的實例/206
6.4.1 刪除診斷/209
6.4.2 影響函數/213
6.4.3 識別有影響力的實例的優點/218
6.4.4 識別有影響力的實例的缺點/218
6.4.5 軟件和替代方法/219

第7章 水晶球/221
7.1 機器學習的未來/223
7.2 可解釋性的未來/224

參考文獻/227