可解釋機(jī)器學(xué)習(xí)：模型、方法與實(shí)踐

定　價(jià)：￥79.00

作　者：	索信達(dá)控股，邵平，楊健穎，蘇思達(dá) 等著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787111695714	出版時(shí)間：	2021-12-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	223	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書先從背景出發(fā)，闡述黑盒模型存在的問(wèn)題以及不解決黑盒問(wèn)題模型可能帶來(lái)的后果，引出可解釋機(jī)器學(xué)習(xí)的重要性；隨后，我們從可解釋機(jī)器學(xué)習(xí)的研究方向，分為內(nèi)在可解釋模型算法和模型事后解析方法兩部分進(jìn)行介紹，闡述不同模型的原理、應(yīng)用及其可解釋性。z后通過(guò)三個(gè)不同的應(yīng)用場(chǎng)景，介紹在銀行實(shí)戰(zhàn)中的數(shù)據(jù)挖掘方法，由問(wèn)題、處理方法出發(fā)，結(jié)合可解釋機(jī)器學(xué)習(xí)模型結(jié)果，證明模型的有效性和實(shí)用性，期望讀者通過(guò)對(duì)本書的閱讀，可以更快更好的解決實(shí)際業(yè)務(wù)問(wèn)題，而非紙上談兵。業(yè)務(wù)場(chǎng)景均為業(yè)內(nèi)的典型案例，希望能夠?qū)ψx者有所啟發(fā)。同時(shí)，本書中還會(huì)有大量的公式與代碼，保證內(nèi)容的豐富與嚴(yán)謹(jǐn)，經(jīng)得起推敲，使得讀者知其然且知其所以然。

作者簡(jiǎn)介

　　邵平資深數(shù)據(jù)科學(xué)家，索信達(dá)控股金融AI實(shí)驗(yàn)室總監(jiān)。在大數(shù)據(jù)、人工智能領(lǐng)域有十多年技術(shù)研發(fā)和行業(yè)應(yīng)用經(jīng)驗(yàn)。技術(shù)方向涉及可解釋機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、時(shí)間序列預(yù)測(cè)、智能推薦、自然語(yǔ)言處理等?，F(xiàn)主要致力于可解釋機(jī)器學(xué)習(xí)、推薦系統(tǒng)、銀行智能營(yíng)銷和智能風(fēng)控等領(lǐng)域的技術(shù)研究和項(xiàng)目實(shí)踐。楊健穎云南財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)碩士，高級(jí)數(shù)據(jù)挖掘工程師，一個(gè)對(duì)數(shù)據(jù)科學(xué)有堅(jiān)定信念的追求者，目前重點(diǎn)研究機(jī)器學(xué)習(xí)模型的可解釋性。蘇思達(dá) 美國(guó)天普大學(xué)統(tǒng)計(jì)學(xué)碩士，機(jī)器學(xué)習(xí)算法專家，長(zhǎng)期為銀行提供大數(shù)據(jù)與人工智能解決方案和技術(shù)服務(wù)。主要研究方向?yàn)榭山忉寵C(jī)器學(xué)習(xí)與人工智能，曾撰寫《可解釋機(jī)器學(xué)習(xí)研究報(bào)告》和多篇可解釋機(jī)器學(xué)習(xí)相關(guān)文章。

圖書目錄

前言
第一部分　背景
第1章　引言2
　1.1　可解釋機(jī)器學(xué)習(xí)研究背景2
1.1.1　機(jī)器學(xué)習(xí)面臨的挑戰(zhàn)2
1.1.2　黑盒模型存在的問(wèn)題4
　1.2　模型可解釋性的重要性8
　1.3　國(guó)內(nèi)外的模型監(jiān)管政策10
　1.4　本章小結(jié)11
第2章　可解釋機(jī)器學(xué)習(xí)12
　2.1　模型的可解釋性12
2.1.1　可解釋性的定義13
2.1.2　可解釋性的分類14
2.1.3　可解釋機(jī)器學(xué)習(xí)的研究方向16
　2.2　可解釋性的作用18
2.2.1　產(chǎn)生信任19
2.2.2　提供因果關(guān)系依據(jù)19
2.2.3　幫助模型診斷20
2.2.4　安全使用模型22
2.2.5　避免發(fā)生偏見與歧視22
　2.3　可解釋性的實(shí)現(xiàn)23
2.3.1　建模前的可解釋性實(shí)現(xiàn)23
2.3.2　建模中的可解釋性實(shí)現(xiàn)26
2.3.3　建模后的可解釋性實(shí)現(xiàn)28
　2.4　本章小結(jié)29
第二部分　理論
第3章　內(nèi)在可解釋機(jī)器學(xué)習(xí)模型32
　3.1　傳統(tǒng)統(tǒng)計(jì)模型33
3.1.1　線性回歸33
3.1.2　廣義線性模型37
3.1.3　廣義加性模型41
3.1.4　決策樹48
　3.2　EBM模型52
3.2.1　模型定義52
3.2.2　識(shí)別二階交互項(xiàng)53
3.2.3　實(shí)現(xiàn)算法56
3.2.4　模型解釋性59
3.2.5　模型的優(yōu)勢(shì)與不足62
　3.3　GAMINet模型63
3.3.1　模型定義64
3.3.2　GAMINet的3個(gè)重要準(zhǔn)則66
3.3.3　實(shí)現(xiàn)算法70
3.3.4　模型解釋性72
3.3.5　模型的優(yōu)勢(shì)與不足77
　3.4　RuleFit模型77
3.4.1　模型定義78
3.4.2　規(guī)則提取79
3.4.3　實(shí)現(xiàn)算法81
3.4.4　模型解釋性81
3.4.5　模型的優(yōu)勢(shì)與不足84
　3.5　Falling Rule Lists模型85
3.5.1　模型定義85
3.5.2　模型參數(shù)估計(jì)87
3.5.3　實(shí)現(xiàn)算法88
3.5.4　模型解釋性89
3.5.5　模型的優(yōu)勢(shì)與不足90
　3.6　GAMMLI模型91
3.6.1　傳統(tǒng)推薦算法的不足92
3.6.2　交互項(xiàng)效應(yīng)擬合方法94
3.6.3　自適應(yīng)軟填充95
3.6.4　模型解釋性97
3.6.5　模型的優(yōu)勢(shì)與不足99
　3.7　本章小結(jié)99
第4章　復(fù)雜模型事后解析方法101
　4.1　部分依賴圖102
4.1.1　部分依賴函數(shù)102
4.1.2　估計(jì)方法103
4.1.3　部分依賴圖的局限105
4.1.4　個(gè)體條件期望圖106
4.1.5　實(shí)例演示107
　4.2　累積局部效應(yīng)圖111
4.2.1　從部分依賴圖到累積局部效應(yīng)圖112
4.2.2　累積局部效應(yīng)方程114
4.2.3　實(shí)例演示116
4.2.4　ALE方法的優(yōu)劣118
　4.3　LIME事后解析方法118
4.3.1　局部代理模型119
4.3.2　LIME方法的基本流程120
4.3.3　LIME方法的解釋121
4.3.4　LIME方法的優(yōu)劣123
　4.4　SHAP事后解析方法124
4.4.1　SHAP的基本思想125
4.4.2　Shapley Value126
4.4.3　SHAP的實(shí)現(xiàn)算法128
4.4.4　SHAP方法的解釋137
4.4.5　SHAP方法的優(yōu)劣140
4.4.6　擴(kuò)展閱讀141
　4.5　本章小結(jié)143
第三部分　實(shí)例
第5章　銀行VIP客戶流失預(yù)警及歸因分析146
　5.1　案例背景146
　5.2　數(shù)據(jù)介紹147
　5.3　建模分析148
5.3.1　目標(biāo)定義148
5.3.2　數(shù)據(jù)處理149
5.3.3　模型構(gòu)建150
5.3.4　流失歸因151
　5.4　營(yíng)銷建議157
　5.5　代碼展示159
　5.6　本章小結(jié)162
第6章　銀行個(gè)人客戶信用評(píng)分模型研究163
　6.1　案例背景163
　6.2　數(shù)據(jù)介紹164
　6.3　建模分析165
6.3.1　目標(biāo)定義165
6.3.2　數(shù)據(jù)處理166
6.3.3　模型構(gòu)建167
　6.4　三種方法對(duì)比180
　6.5　代碼展示182
　6.6　擴(kuò)展思考：基于規(guī)則的特征衍生186
　6.7　本章小結(jié)188
第7章　銀行理財(cái)產(chǎn)品推薦建模分析189
　7.1　場(chǎng)景介紹189
7.1.1　推薦系統(tǒng)190
7.1.2　銀行中的推薦系統(tǒng)193
　7.2　數(shù)據(jù)介紹196
7.2.1　推薦場(chǎng)景數(shù)據(jù)特點(diǎn)196
7.2.2　Santander數(shù)據(jù)集197
　7.3　建模分析199
7.3.1　數(shù)據(jù)處理199
7.3.2　模型構(gòu)建200
7.3.3　模型結(jié)果評(píng)估204
　7.4　案例分析208
　7.5　本章小結(jié)211