铜灵 发自 凹非寺 量子位 出品 | 公众号 QbitAI
最近，这本名为《可解释性的机器学习》书在推特火了起来，两天内2千多人点赞，将近700人转发。
作者Christoph Molnar介绍说，这是一本关于黑盒模型可解释性的理解指南，用时两年完成，全书共250多页，七万八千多字。
好消息，这本《可解释性的机器学习》全书电子版现在可以在线预览了。Molnar在推特上解释，你可以自己选择为这本书支付多少钱，不掏腰包也没什么，免费版本也将一直提供。
一起来看看内容——
内容有啥？
这本书共分为10个章节，从什么是机器学习和可解释的定义解释，到模型的常用解释方法和基于示例的解释，再到机器学习与可解释性的未来，内容一气呵成。
“可解释”是这本书的核心论题，作者认为，可解释性在机器学习甚至日常生活中都是相当重要的一个问题。
Molnar表示，虽然数据集与黑盒机器学习解决了很多问题，但这不是最好的使用姿势，现在模型本身代替了数据成为了信息的来源，但可解释性可以提取模型捕捉到的额外信息。
而这些额外的信息可能会发挥更大的作用。
举个例子?，自动驾驶汽车通过深度学习系统自动检测骑自行车的人，如果你想让模型正确率保持在100%，必须了解其背后的解释：哦，原来模型识别的是自行车的两个轮子，所以对于自行车边缘被遮挡的情况还要进行进一步优化。
此外，当我们的日常生活中全都是机器和算法时，需要可解释性来增加社会的接受度。这倒是也不难理解，要是连科学家都有研究不透“黑盒”，怎样让普通人完全信任模型做出的决策呢？
所以Molnar认为，“解释”还是一个社会过程，拉进人类与机器的距离。
模型的可解释性
对于机器学习方法可解释性，Molnar在书中进行了深刻的讨论，对线性回归、logistic回归、GLM、GAM、决策树、决策规则等可解释模型进行了细致说明。
在线性回归的解释中，Molnar认为线性回归模型中权重的解释取决于相应特征的类型，比如数字特征、二进制功能、具有多个类别的分类功能等，都对理解线性回归有帮助。
在这本书中，Molnar还内置很多解释模型各种方法的模板，方便你速查时使用。比如如果你想解释线性回归模型中的特征，直接去套用模板就可以了。
Molnar认为，在机器学习任务中，应该将研究重点放在与模型无关的可解释性工具上，在未来机器学习就是一个自动化的训练过程。
关于可解释性的未来，作为还做出了预测，认为在以后的研究中机器人和程序将尝试去解释自己。有趣值Max。
书中还有很多精彩内容，就等你前往阅读了。
“Wow！”
《可解释的机器学习》电子版放出后，网友纷纷竖起大拇指，高呼“感谢作者”。
“这本书真令我大开眼界”、“神奇的书”、“出色的解释”……网友的好评声在评论区蔓延。
网友@mspitzer243表示，感谢作者贡献了这本书，也感谢在iml包中提供的很多技术实现。这本书帮助自己很多，对可解释性有了更深的理解，甚至还激励自己开始写博客文章了。
还不来收藏围观一下？
最后，附电子书地址： https://christophm.github.io/interpretable-ml-book/index.html
作者系网易新闻·网易号“各有态度”签约作者
— 完 —
