前言
我曾经介绍过一本不错的书籍：《A Gudie for Making Black Box Models Explainable》，中文译为《可解释机器学习》。这本书是关于使机器学习模型和他们的决定变得可解释。
新冠疫情的出现，让许多AI医疗技术浮出水面。
但是AI一直黑箱问题存在，如果AI对过程都不能做到可解释，又怎么能放心让它来诊断病患呢。而关于机器学习可解释问题的书籍少之又少。
最近，一位来自复旦大学的研究生朱明超，将一本少有的书《Interpretable Machine Learning》（可解释机器学习）翻译成了中文。
这本书最初是由德国慕尼黑大学博士Christoph Molnar耗时两年完成的，长达250页，是仅有的一本系统介绍可解释性机器学习的书籍。
朱明超近期完成了这本书的翻译和校对工作，目前已经开源放到GitHub网页上。朱同学在翻译过程中还和原作者进行了多次讨论，中文版还得到了Christoph Molnar本人在Twiter上的推荐。
“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。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型可解释的人阅读本书。
《可解释的机器学习》该书总共包含 7 章内容：
第一章：前言
第二章：可解释性
第三章：数据集
第四章：可解释的模型
第五章：模型无关方法
第六章：基于样本的解释
第七章：水晶球
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。
当我们的日常生活中全都是机器和算法时，也需要可解释性来增加社会的接受度。毕竟要是连科学家都研究不透“黑盒”，怎样让普通人完全信任模型做出的决策呢？
这本书的重点是机器学习的可解释性。你可以从这本书中学习简单的、可解释的模型，如线性回归、决策树和决策规则等。
后面几章重点介绍了解释黑盒模型的模型无关的一般方法，如特征重要性和累积局部效应，以及用 Shapley 值和 LIME 解释单个实例预测。
对各种解释方法进行了深入的解释和批判性的讨论。它们是如何工作的？优点和缺点是什么？如何解释它们的输出？本书使你能够选择并正确应用最适合你的机器学习项目的解释方法。
这本书结合了各类现实生活中的例子来介绍相关的概念，同时搭配参考链接帮助读者进一步学习了解。
另外朱同学的GitHub上还一直在坚持翻译Goodfellow的《机器学习》，还在翻译中配上了自己编写的Python代码供参考。有兴趣的同学也可以顺带去参考学习。
最后附上《可解释机器学习》一书的项目地址：
https://github.com/MingchaoZhu/InterpretableMLBook
联系客服
