欲穷千里目，更上一层楼

参考文献

写这本书（现在仍然）很有趣。但这也是一项艰巨的工作，我对大家的支持感到非常高兴。

如果您知道这本书或个别章节的任何其他翻译，我将不胜感激并在此处列出。

如果您发现本书对您的博客文章、研究文章或产品有用，请您引用本书，我将不胜感激。

感谢您阅读我的关于可解释机器学习的书。这本书正在不断地增订中。它将随着时间的推移而改进，并将添加更多章节。非常类似于软件迭代开发的方式。

可解释机器学习的未来会是什么呢？本章可以看作是一个思辨性的脑力练习，也可以看作是对可解释机器学习将如何发展的一种主观猜测。尽管我以悲观小故事作为这本书的开头，但是我同时也希望以一种乐观的态度结束这本书。

以下各章重点介绍神经网络的解释方法。这些方法可视化了神经网络学到的特征和概念，解释了各个预测并简化了神经网络。

局部解释方法解释个别预测。在本章中，您将了解以下局部解释方法

全局方法描述了机器学习模型的平均行为。全局方法的对应物是局部方法。全局方法通常表示为基于数据分布的预期值。例如，部分依赖图是一个特征效应图，是所有其他特征都被边缘化时的预期预测。由于全局解释方法描述了平均行为，因此当建模者想要了解数据中的一般机制或调试模型时，它们特别有用。

基于实例的解释方法选择数据集的特定实例来解释机器学习模型的行为或解释底层数据分布。

模型不可知解释方法相对于模型特定解释方法的最大优势在于其灵活性。当解释方法可以应用于任何模型时，机器学习开发人员可以自由使用他们喜欢的任何机器学习模型。任何建立在机器学习模型解释之上的东西，例如图形或用户界面，也会独立于底层的机器学习模型。通常，不只是一个模型，而是对许多类型的机器学习模型进行评估以解决一个任务，并且在比较模型的可解释性时，更容易使用模型不可知论解释，因为相同的方法可用于任何类型的模型。

https://christophm.github.io/interpretable-ml-book

我们将根据任务的不同而使用不同的数据集，分别是分类、回归和文本分类。

机器学习模型的可解释性越高，就越容易理解为什么做出某些决定或预测。如果一个模型的决策比另一个模型的决策能让人更容易理解，那么它就比另一个模型有更高的解释性。

这本书向你解释了如何使（监督）机器学习模型可解释。本章包含一些数学公式，但即使没有公式，您也应该能够理解这些方法背后的思想。这本书不适合那些机器学习的初学者。如果你对机器学习不熟悉，有很多书和其他资源可以学习基础知识。

我的出发点是研究可解释机器学习，最终却写了一本我没有找到但希望有的书。我写这本书的目的是双重的：为自己学习并与他人分享这些新知识。

机器学习对于改进产品、过程和研究有很大的潜力。但是计算机通常不能解释他们的预测，这是机器学习的一个障碍。这本书是关于使机器学习模型和它们的决策可解释。

人工智能系列经典图书翻译 原   名：《Mastering OpenCV with Practical Computer Vision Projects》 作   者：Shervin Emami 等 出 版 社：Packt Publishing 出 版 时 间：2012-12-03 译   名：《熟练掌握OpenCV—-实用计算机视觉工程案例》 译   者...