本书讲解了当前可解释机器学习方法中存在的局限性。这些方法包括partial dependence plots（PDP）、累积局部效应（Accumulated Local Effects，ALE）、排列特征重要性、leave-one-covariate out（LOCO）和局部可解释模型不可知解释（LIME）。所有这些方法都可以用来解释经过训练的机器学习模型表现，或预测机器学习模型表现。但是在以下情况下，这些解释方法可能不太有效:
如果模型对交互进行建模(例如，当使用随机森林时)
如果特征彼此紧密相关
如果模型不能正确地模拟因果关系
如果解释方法的参数设置不正确
针对以上这些情况，本书进行了详细深入的分析并给出了一些解决办法。
文末附本书最新版下载地址。
本书目录
