12 月 9 日，一本機器學習新書上線了，它就是《Limitations of Interpretable Machine Learning Methods》，中文譯為《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）、累積區域性效應（ALE）、排列特徵重要性、保留一個協變數（LOCO）和區域性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為和預測。但是，在以下情況下，解釋方法可能無法很好地工作：
- 如果模型互動式建模（例如使用隨機森林演算法）
-
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
-
如果解釋方法的引數設定不正確
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：
線上閱讀：
這本《可解釋機器學習方法的侷限》也可以線上閱讀，線上網址為：
https://compstat-lmu.github.io/iml_methods_limitations/
這份線上閱讀網址非常友好，頂部的選單欄可為讀者提供搜尋、更改字型、編輯、下載等功能，非常方便。
附加資源：
我在公眾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資料（也稱為關係資料或結構化資料）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、資料科學家、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。
請戳連結：《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。這裡附上 PDF 版本的獲取方式：
- 掃描下方二維碼關注 “程式設計師愛碼士” 公眾號
-
公眾號後臺回覆關鍵詞：LIMLM
