本书探讨了当前可解释机器学习方法所面临的挑战。这些方法包括偏依赖图（PDP）、累积局部效应（ALE）、特征重要性分析、留一协变量法（LOCO）以及局部可解释模型无关解释（LIME）。这些方法可用于解析已训练的机器学习模型的表现，或预测其性能。然而，在某些情况下，这些解释方法可能效果不佳：

• 当模型考虑了特征之间的交互作用（如在随机森林模型中）
• 当特征之间存在高度相关性
• 当模型无法准确捕捉因果关系
• 当解释方法的参数配置不当

针对上述问题，本书进行了深入分析，并提出了一些解决方案。

本书目录如下：

[此处省略目录图片]

本书最新版PDF下载地址：https://www.toutiao.com/a1652958636080132

此外，我们还推荐一些精选内容：

• 自然语言处理领域的生成模型相关资源、会议和论文分享
• 中文版《TensorFlow内核分析》教材分享
• 中文版《动手学深度学习》电子书免费下载
• 英文版《模式识别与机器学习(PRML)》2018年版电子书分享
• DeepMind提供的深度学习与强化学习高级课程（含中英字幕）
• 机器学习大师Michael I. Jordan关于机器学习未来展望与挑战的文章
• 推荐书籍《构建下一代机器学习算法：深度学习基础》免费下载
• Christopher Manning关于可推理神经网络模型的研究
• 吴恩达著作《Machine Learning Yearning》中文版分享
• 《基于GPU的CUDA编程精品教材》2018年版分享
• 《Pro Deep Learning with TensorFlow》教材分享