高贊新書《可解釋的機器學(xué)習(xí)》出版：理解黑盒必備，免費資源
銅靈 發(fā)自 凹非寺
量子位 出品 | 公眾號 QbitAI
最近，這本名為《可解釋性的機器學(xué)習(xí)》書在推特火了起來，兩天內(nèi)2千多人點贊，將近700人轉(zhuǎn)發(fā)。
作者Christoph Molnar介紹說，這是一本關(guān)于黑盒模型可解釋性的理解指南，用時兩年完成，全書共250多頁，七萬八千多字。
好消息，這本《可解釋性的機器學(xué)習(xí)》全書電子版現(xiàn)在可以在線預(yù)覽了。Molnar在推特上解釋，你可以自己選擇為這本書支付多少錢，不掏腰包也沒什么，免費版本也將一直提供。
一起來看看內(nèi)容——
內(nèi)容有啥？
這本書共分為10個章節(jié)，從什么是機器學(xué)習(xí)和可解釋的定義解釋，到模型的常用解釋方法和基于示例的解釋，再到機器學(xué)習(xí)與可解釋性的未來，內(nèi)容一氣呵成。
“可解釋”是這本書的核心論題，作者認為，可解釋性在機器學(xué)習(xí)甚至日常生活中都是相當重要的一個問題。
Molnar表示，雖然數(shù)據(jù)集與黑盒機器學(xué)習(xí)解決了很多問題，但這不是最好的使用姿勢，現(xiàn)在模型本身代替了數(shù)據(jù)成為了信息的來源，但可解釋性可以提取模型捕捉到的額外信息。
而這些額外的信息可能會發(fā)揮更大的作用。
舉個例子，自動駕駛汽車通過深度學(xué)習(xí)系統(tǒng)自動檢測騎自行車的人，如果你想讓模型正確率保持在100%，必須了解其背后的解釋：哦，原來模型識別的是自行車的兩個輪子，所以對于自行車邊緣被遮擋的情況還要進行進一步優(yōu)化。
此外，當我們的日常生活中全都是機器和算法時，需要可解釋性來增加社會的接受度。這倒是也不難理解，要是連科學(xué)家都有研究不透“黑盒”，怎樣讓普通人完全信任模型做出的決策呢？
所以Molnar認為，“解釋”還是一個社會過程，拉進人類與機器的距離。
模型的可解釋性
對于機器學(xué)習(xí)方法可解釋性，Molnar在書中進行了深刻的討論，對線性回歸、logistic回歸、GLM、GAM、決策樹、決策規(guī)則等可解釋模型進行了細致說明。
在線性回歸的解釋中，Molnar認為線性回歸模型中權(quán)重的解釋取決于相應(yīng)特征的類型，比如數(shù)字特征、二進制功能、具有多個類別的分類功能等，都對理解線性回歸有幫助。
在這本書中，Molnar還內(nèi)置很多解釋模型各種方法的模板，方便你速查時使用。比如如果你想解釋線性回歸模型中的特征，直接去套用模板就可以了。
Molnar認為，在機器學(xué)習(xí)任務(wù)中，應(yīng)該將研究重點放在與模型無關(guān)的可解釋性工具上，在未來機器學(xué)習(xí)就是一個自動化的訓(xùn)練過程。
關(guān)于可解釋性的未來，作為還做出了預(yù)測，認為在以后的研究中機器人和程序?qū)L試去解釋自己。有趣值Max。
書中還有很多精彩內(nèi)容，就等你前往閱讀了。
“Wow！”
《可解釋的機器學(xué)習(xí)》電子版放出后，網(wǎng)友紛紛豎起大拇指，高呼“感謝作者”。
“這本書真令我大開眼界”、“神奇的書”、“出色的解釋”……網(wǎng)友的好評聲在評論區(qū)蔓延。
網(wǎng)友@mspitzer243表示，感謝作者貢獻了這本書，也感謝在iml包中提供的很多技術(shù)實現(xiàn)。這本書幫助自己很多，對可解釋性有了更深的理解，甚至還激勵自己開始寫博客文章了。
還不來收藏圍觀一下？
最后，附電子書地址：
https://christophm.github.io/interpretable-ml-book/index.html
相關(guān)閱讀
告別數(shù)據(jù)集資源匱乏，谷歌與斯坦福用弱監(jiān)督學(xué)習(xí)給訓(xùn)練集打標簽
讓機器學(xué)習(xí)的開發(fā)時間和成本降低一個數(shù)量級。
