本书先从背景出发，阐述黑盒模型存在的问题以及不解决黑盒模型问题可能带来的后果，引出可解释机器学习的重要性；随后从可解释机器学习的研究方向，分为内在可解释模型算法和模型事后解析方法两部分进行介绍，阐述不同模型的原理、应用及其可解释性；最后通过三个不同的应用场景，介绍在银行实战中的数据挖掘方法，由问题、处理方法出发，结合可解释机器学习模型结果，证明模型的有效性和实用性。期望读者通过对本书的阅读，可以更快、更好地解决实际业务问题，而非纸上谈兵。业务场景均为业内的典型案例，希望能够对读者有所启发。同时，本书中还有大量的公式与代码，以保证内容的丰富性与严谨性，使读者能够知其然且知其所以然。

邵平，资深数据科学家，索信达控股金融AI实验室总监。在大数据、人工智能领域有十多年技术研发和行业应用经验。技术方向涉及可解释机器学习、深度学习、时间序列预测、智能推荐、自然语言处理等。现主要致力于可解释机器学习、推荐系统、银行智能营销和智能风控等领域的技术研究和项目实践。

前言
第一部分 背景
第1章 引言
1.1 可解释机器学习研究背景
1.1.1 机器学习面临的挑战
1.1.2 黑盒模型存在的问题
1.2 模型可解释性的重要性
1.3 国内外的模型监管政策
1.4 本章小结
第2章 可解释机器学习
2.1 模型的可解释性
2.1.1 可解释性的定义
2.1.2 可解释性的分类
2.1.3 可解释机器学习的研究方向
2.2 可解释性的作用
2.2.1 产生信任
2.2.2 提供因果关系依据
2.2.3 帮助模型诊断
2.2.4 安全使用模型
2.2.5 避免发生偏见与歧视
2.3 可解释性的实现
2.3.1 建模前的可解释性实现
2.3.2 建模中的可解释性实现
2.3.3 建模后的可解释性实现
2.4 本章小结
第二部分 理论
第3章 内在可解释机器学习模型
3.1 传统统计模型
3.1.1 线性回归
3.1.2 广义线性模型
3.1.3 广义加性模型
3.1.4 决策树
3.2 EBM模型
3.2.1 模型定义
3.2.2 识别二阶交互项
3.2.3 实现算法
3.2.4 模型解释性
3.2.5 模型的优势与不足
3.3 GAMI-Net模型
3.3.1 模型定义
3.3.2 GAMINet的3个重要准则
3.3.3 实现算法
3.3.4 模型解释性
3.3.5 模型的优势与不足
3.4 RuleFit模型
3.4.1 模型定义
3.4.2 规则提取
3.4.3 实现算法
3.4.4 模型解释性
3.4.5 模型的优势与不足
3.5 Falling Rule Lists模型
3.5.1 模型定义
3.5.2 模型参数估计
3.5.3 实现算法
3.5.4 模型解释性
3.5.5 模型的优势与不足
3.6 GAMMLI模型
3.6.1 传统推荐算法的不足
3.6.2 交互项效应拟合方法
3.6.3 自适应软填充
3.6.4 模型解释性
3.6.5 模型的优势与不足
3.7 本章小结
第4章 复杂模型事后解析方法
4.1 部分依赖图
4.1.1 部分依赖函数
4.1.2 估计方法
4.1.3 部分依赖图的局限
4.1.4 个体条件期望图
4.1.5 实例演示
4.2 累积局部效应图
4.2.1 从部分依赖图到累积局部效应图
4.2.2 累积局部效应方程
4.2.3 实例演示
4.2.4 ALE方法的优劣
4.3 LIME事后解析方法
4.3.1 局部代理模型
4.3.2 LIME方法的基本流程
4.3.3 LIME方法的解释
4.3.4 LIME方法的优劣
4.4 SHAP事后解析方法
4.4.1 SHAP的基本思想
4.4.2 Shapley Value
4.4.3 SHAP的实现算法
4.4.4 SHAP方法的解释
4.4.5 SHAP方法的优劣
4.4.6 扩展阅读
4.5 本章小结
第三部分 实例
第5章 银行VIP客户流失预警及归因分析
5.1 案例背景
5.2 数据介绍
5.3 建模分析
5.3.1 目标定义
5.3.2 数据处理
5.3.3 模型构建
5.3.4 流失归因
5.4 营销建议
5.5 代码展示
5.6 本章小结
第6章 银行个人客户信用评分模型研究
6.1 案例背景
6.2 数据介绍
6.3 建模分析
6.3.1 目标定义
6.3.2 数据处理
6.3.3 模型构建
6.4 三种方法对比
6.5 代码展示
6.6 扩展思考：基于规则的特征衍生
6.7 本章小结
第7章 银行理财产品推荐建模分析
7.1 场景介绍
7.1.1 推荐系统
7.1.2 银行中的推荐系统
7.2 数据介绍
7.2.1 推荐场景数据特点
7.2.2 Santander数据集
7.3 建模分析
7.3.1 数据处理
7.3.2 模型构建
7.3.3 模型结果评估
7.4 案例分析
7.5 本章小结

1、涵盖了可解释机器学习zui前沿的研究成果及行业成功应用经验。
2、从算法层面系统地梳理了可解释机器学习技术的研究体系，脉络清晰，层层递进。
3、书中除详尽阐述了各种经典算法的原理外，还辅以数据、代码实例演示算法实现的步骤，是一本理论与实践相结合的实用指南。
4、提供了可解释机器学习应用于银行业务场景的实际案例，让读者身临其境，充分理解可解释机器学习是如何解决现实问题的。
5、涵盖了金融科技领域新技术应用成果，对金融机构数字化建设有重要的参考价值。