要約

機械学習は、製品や処理、研究を改善するための大きな可能性を秘めています。 しかし、コンピュータは通常、予測の説明をしません。これが機械学習を採用する障壁となっています。 本書は、機械学習モデルや、その判断を解釈可能なものにすることについて書かれています。

解釈可能性とは何かを説明した後、決定木、決定規則、線形回帰などの単純で解釈可能なモデルについて学びます。 その後の章では、特徴量の重要度 (feature importance)やALE(accumulated local effects)や、個々の予測を説明するLIMEやシャープレイ値のようなモデルに非依存な手法(model-agnostic methods)について焦点を当てていきます。

すべての解釈手法は、深く説明され、批判的に議論されます。 それらの手法はどのように機能しているのか? それらの長所と短所は何か? それらの出力はどのように解釈できるのか? この本を読めば、機械学習プロジェクトに最も適した解釈手法を選択し、正しく適用できるようになるでしょう。

本書では、テーブルデータ(リレーショナルデータや構造化データとも呼ばれる)の機械学習モデルに焦点を当てており、コンピュータビジョンや自然言語処理のタスクにはあまり焦点を当てていません。 機械学習の実務家、データサイエンティスト、統計学者、その他、機械学習モデルを解釈可能なものとすることに興味のある人は、本書を読むことをお勧めします。

PDFと電子書籍版(epub、mobi)の購入はこちら on leanpub.com.

印刷版の購入はこちら on lulu.com.

著者について: 私の名前はChristoph Molnar、統計学者であり機械学習者です。 私の目標は、機械学習を解釈可能なものにすることです。

Mail:christoph.molnar.ai@gmail.com

Website: https://christophm.github.io/

Follow me on Twitter! @ChristophMolnar

Cover by @YvonneDoinel

クリエイティブ・コモンズ・ライセンス

クリエイティブ・コモンズ・ライセンス

この本のライセンスは以下の通りです。

Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.