本书分为三部分：
第一部分为背景，阐述黑盒模型存在的问题以及不解决黑盒问题模型可能带来的后果，引出可解释机器学习的重要性 ；
第二部分将可解释机器学习的研究方向分为内在可解释模型算法和模型事后解析方法两部分进行介绍，阐述不同模型的原理、应用及其可解释性；
第三部分通过三个不同的应用场景，介绍在银行实战中的数据挖掘方法，由问题、处理方法出发，结合可解释机器学习模型结果，证明模型的有效性和实用性；
第一部分
第1章：引言，介绍可解释机器学习研究背景，黑盒模型存在的典型问题与模型可解释性的重要性。
第2章：可解释机器学习相关基础，包括可解释性的定义与分类，可解释性的用途以及实现方法。
第二部分
第3章：内在可解释机器学习模型，介绍传统统计模型，EBM模型，GAMI-Net模型，RuleFit模型，Falling Rule Lists模型，GAMMLI模型
第4章：复杂模型事后解析方法，部分依赖图，累积局部效应图，LIME事后解析方法，SHAP事后解析方法。
第三部分
第5章：银行VIP客户流失预警及归因分析，包括案例背景，数据介绍，建模分析，营销建议与代码展示。
第6章：银行个人客户信用评分模型研究，包括案例背景，数据介绍，建模分析，逻辑回归、XGBoost、GAMI-Net三种方法对比与代码展示
第7章：银行理财产品推荐建模分析，包括场景介绍，数据介绍，建模分析，案例分析。
本书适合的读者：
金融机构、银行、金融科技公司等数据技术相关岗位从业者。
