机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。本书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley值和LIME解释单个实例预测。本书对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。本书适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释性感兴趣的人阅读。

推荐序一
推荐序二
作者序
译者序
第1章 引言
1.1 故事时间
1.1.1 闪电不会击中两次
1.1.2 信任倒下
1.1.3 费米的回形针
1.2 什么是机器学习
1.3 术语
第2章 可解释性
2.1 可解释性的重要性
2.2 可解释性方法的分类
2.3 可解释性的范围
2.3.1 算法透明度
2.3.2 全局、整体的模型可解释性
2.3.3 模块层面上的全局模型可解释性
2.3.4 单个预测的局部可解释性
2.3.5 一组预测的局部可解释性
2.4 可解释性评估
2.5 解释的性质
2.6 人性化的解释
2.6.1 什么是解释
2.6.2 什么是好的解释
第3 章 数据集
3.1 自行车租赁（回归）
3.2 YouTube 垃圾评论（文本分类）
3.3 宫颈癌的危险因素（分类）
第4 章 可解释的模型
4.1 线性回归
4.1.1 解释
4.1.2 示例
4.1.3 可视化解释
4.1.4 解释单个实例预测
4.1.5 分类特征的编码
4.1.6 线性模型是否有很好的解释
4.1.7 稀疏线性模型
4.1.8 优点
4.1.9 缺点
4.2 逻辑回归
4.2.1 线性回归用于分类有什么问题
4.2.2 理论
4.2.3 解释
4.2.4 示例
4.2.5 优缺点
4.2.6 软件
4.3 GLM、GAM 和其他模型
4.3.1 非高斯结果输出——GLM
4.3.2 交互
4.3.3 非线性效应——GAM
4.3.4 优点
4.3.5 缺点
4.3.6 软件
4.3.7 进一步扩展
4.4 决策树
4.4.1 解释
4.4.2 示例
4.4.3 优点
4.4.4 缺点
4.4.5 软件
4.5 决策规则
4.5.1 OneR
4.5.2 顺序覆盖
4.5.3 贝叶斯规则列表
4.5.4 优点
4.5.5 缺点
4.5.6 软件和替代方法
4.6 RuleFit
4.6.1 解释和示例
4.6.2 理论
4.6.3 优点
4.6.4 缺点
4.6.5 软件和替代方法
4.7 其他可解释模型
4.7.1 朴素贝叶斯分类器
4.7.2 k-近邻
第5 章 与模型无关的方法
5.1 部分依赖图
5.1.1 示例
5.1.2 优点
5.1.3 缺点
5.1.4 软件和替代方法
5.2 个体条件期望
5.2.1 示例
5.2.2 优点
5.2.3 缺点
5.2.4 软件和替代方法
5.3 累积局部效应图
5.3.1 动机和直觉
5.3.2 理论
5.3.3 ALE 图的估计
5.3.4 示例
5.3.5 优点
5.3.6 缺点
5.3.7 软件和替代方法
5.4 特征交互
5.4.1 特征交互的概念
5.4.2 理论：弗里德曼的H 统计量
5.4.3 示例
5.4.4 优点
5.4.5 缺点
5.4.6 实现
5.4.7 替代方法
5.5 置换特征重要性
5.5.1 理论
5.5.2 应该计算训练数据的重要性还是测试数据的重要性
5.5.3 示例和解释
5.5.4 优点
5.5.5 缺点
5.5.6 软件和替代方法
5.6 全局代理模型
5.6.1 理论
5.6.2 示例
5.6.3 优点
5.6.4 缺点
5.6.5 软件
5.7 局部代理模型（LIME）
5.7.1 表格数据的LIME
5.7.2 文本的LIME
5.7.3 图像的LIME
5.7.4 优点
5.7.5 缺点
5.8 Shapley 值
5.8.1 总体思路
5.8.2 示例与解释
5.8.3 详细的Shapley 值
5.8.4 优点
5.8.5 缺点
5.8.6 软件和替代方法
5.9 SHAP
5.9.1 SHAP 的定义
5.9.2 KernelSHAP
5.9.3 TreeSHAP
5.9.4 示例
5.9.5 SHAP 特征重要性
5.9.6 SHAP 概要图
5.9.7 SHAP 依赖图
5.9.8 SHAP 交互值
5.9.9 聚类SHAP 值
5.9.10 优点
5.9.11 缺点
5.9.12 软件
第6 章 基于样本的解释
6.1 反事实解释
6.1.1 生成反事实解释
6.1.2 示例
6.1.3 优点
6.1.4 缺点
6.1.5 软件和替代方法
6.2 对抗样本
6.2.1 方法与示例
6.2.2 网络安全视角
6.3 原型与批评
6.3.1 理论
6.3.2 示例
6.3.3 优点
6.3.4 缺点
6.3.5 软件和替代方法
6.4 有影响力的实例
6.4.1 删除诊断
6.4.2 影响函数
6.4.3 识别有影响力的实例的优点
6.4.4 识别有影响力的实例的缺点
6.4.5 软件和替代方法
第7 章 水晶球
7.1 机器学习的未来
7.2 可解释性的未来
参考文献