本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

新冠疫情的出現(xiàn)，讓許多AI醫(yī)療技術(shù)浮出水面。

但是AI一直黑箱問題存在，如果AI對過程都不能做到可解釋，又怎么能放心讓它來診斷病患呢。而關(guān)于機器學(xué)習(xí)可解釋問題的書籍少之又少。

最近，一位來自復(fù)旦大學(xué)的研究生朱明超，將一本少有的書《Interpretable Machine Learning》（可解釋機器學(xué)習(xí)）翻譯成了中文。

這本書最初是由德國慕尼黑大學(xué)博士Christoph Molnar耗時兩年完成的，長達250頁，是僅有的一本系統(tǒng)介紹可解釋性機器學(xué)習(xí)的書籍。

朱明超近期完成了這本書的翻譯和校對工作，目前已經(jīng)開源放到GitHub網(wǎng)頁上。朱同學(xué)在翻譯過程中還和原作者進行了多次討論，中文版還得到了Christoph Molnar本人在Twiter上的推薦。

“可解釋”是這本書的核心論題。作者認(rèn)為，可解釋性在機器學(xué)習(xí)甚至日常生活中都是相當(dāng)重要的一個問題。建議機器學(xué)習(xí)從業(yè)者、數(shù)據(jù)科學(xué)家、統(tǒng)計學(xué)家和任何對使機器學(xué)習(xí)模型可解釋的人閱讀本書。

《可解釋的機器學(xué)習(xí)》該書總共包含 7 章內(nèi)容：

• 第一章：前言
• 第二章：可解釋性
• 第三章：數(shù)據(jù)集
• 第四章：可解釋的模型
• 第五章：模型無關(guān)方法
• 第六章：基于樣本的解釋
• 第七章：水晶球

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。

當(dāng)我們的日常生活中全都是機器和算法時，也需要可解釋性來增加社會的接受度。畢竟要是連科學(xué)家都研究不透“黑盒”，怎樣讓普通人完全信任模型做出的決策呢？

這本書的重點是機器學(xué)習(xí)的可解釋性。你可以從這本書中學(xué)習(xí)簡單的、可解釋的模型，如線性回歸、決策樹和決策規(guī)則等。

后面幾章重點介紹了解釋黑盒模型的模型無關(guān)的一般方法，如特征重要性和累積局部效應(yīng)，以及用 Shapley 值和 LIME 解釋單個實例預(yù)測。

對各種解釋方法進行了深入的解釋和批判性的討論。它們是如何工作的？優(yōu)點和缺點是什么？如何解釋它們的輸出？本書使你能夠選擇并正確應(yīng)用最適合你的機器學(xué)習(xí)項目的解釋方法。

這本書結(jié)合了各類現(xiàn)實生活中的例子來介紹相關(guān)的概念，同時搭配參考鏈接幫助讀者進一步學(xué)習(xí)了解。

另外朱同學(xué)的GitHub上還一直在堅持翻譯Goodfellow的《機器學(xué)習(xí)》，還在翻譯中配上了自己編寫的Python代碼供參考。有興趣的同學(xué)也可以順帶去參考學(xué)習(xí)。

最后附上《可解釋機器學(xué)習(xí)》一書的項目地址：https://github.com/MingchaoZhu/InterpretableMLBook