在今年2月22日，上线了一版名为《A Guide for Making Black Box Models Explainable》的新书。如今机器学习在生产、研究、商业等各个领域发挥了很大的作用，然而它的预测的可解释性往往会限制它的使用。这本书旨在介绍机器学习的模型，以及模型预测结果的可解释性。
作者
这本书的作者是 Christoph Molnar，是路德维希马克西米利安慕尼黑大学的PHD，有着多年的数据分析、自动化以及机器学习的工作经验，现在致力于将机器学习模型可解释。
书籍介绍
通过学习和了解可解释性的概念，你将了解一些简单的模型，如决策树、决策规则以及线性回归。后面的章节将会着重更普遍的方法来解释黑盒模型。所有关于模型的介绍和解释都是经过深入研究和辩证讨论的。所以，这本书将帮助你选择并正确应用最适合你的机器学习项目的解释方法。这本书推荐给机器学习实践者、数据科学家、统计学家以及任何对机器学习模型可解释感兴趣的人阅读。
目录
Introduction
Interpretability
Datasets
Interpretable Models
Model-Agnostic Methods
Example-Based Explanations
A Look into the Crystal Ball
获取此书：
作者已经将该书的完整内容发布在网上。在线阅读地址为：
https://christophm.github.io/interpretable-ml-book/
另外，如果你想购买本书的电子版，可以在 learnpub 上购买。购买地址为：
https://leanpub.com/interpretable-machine-learning
关注公众号，回复 blackbox 获取《Interpretable Machine Learning》pdf 电子版。
扫一扫，关注我：
本文分享自微信公众号 - 人工智能量化实验室（AIquantLab）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
来源：oschina
链接：https://my.oschina.net/u/4586457/blog/4428021