机器学习在改进产品、过程和研究方面拥有很大的潜力。但是机器学习模型预测的结果通常是不可解释的，这也是机器学习技术最大不足。本书主要讲解如何搭建机器学习模型，并使他们的预测结果是可解释的。
（文末附本书免费下载地址）
本书首先讲解可解释性的基本概念，然后讲解一些简单的、可解释的模型（Interpretable model），例如决策树、决策规则和线性回归。后面的章节集中于解释黑盒模型的一般模型不可知论的方法，如特征的重要性，以及累积的局部效应，以及用Shapley value和LIME解释单个预测。
我们将对所有的解释方法进行深入地解释和讨论。本质上他们是如何工作的？他们的优势和劣势是什么？如何解释它们的输出？本书将使你学会选择并正确应用最适合你机器学习项目的解释方法。
本书侧重于使用表格数据(也称为关系数据或结构化数据)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。推荐机器学习从业者、数据科学家、统计学家和任何对机器学习模型的解释感兴趣的人阅读这本书。
目录
