可解释机器学习:模型、方法与实践电子书

本书的主要内容和特色

作者介绍

前言

第一部分 背景

第1章 引言

1.1 可解释机器学习研究背景

1.1.1 机器学习面临的挑战

1.1.2 黑盒模型存在的问题

1.2 模型可解释性的重要性

1.3 国内外的模型监管政策

1.4 本章小结

第2章 可解释机器学习

2.1 模型的可解释性

2.1.1 可解释性的定义

2.1.2 可解释性的分类

2.1.3 可解释机器学习的研究方向

2.2 可解释性的作用

2.2.1 产生信任

2.2.2 提供因果关系依据

2.2.3 帮助模型诊断

2.2.4 安全使用模型

2.2.5 避免发生偏见与歧视

2.3 可解释性的实现

2.3.1 建模前的可解释性实现

2.3.2 建模中的可解释性实现

2.3.3 建模后的可解释性实现

2.4 本章小结

第二部分 理论

第3章 内在可解释机器学习模型

3.1 传统统计模型

3.1.1 线性回归

3.1.2 广义线性模型

3.1.3 广义加性模型

3.1.4 决策树

3.2 EBM模型

3.2.1 模型定义

3.2.2 识别二阶交互项

3.2.3 实现算法

3.2.4 模型解释性

3.2.5 模型的优势与不足

3.3 GAMI-Net模型

3.3.1 模型定义

3.3.2 GAMI-Net的3个重要准则

3.3.3 实现算法

3.3.4 模型解释性

3.3.5 模型的优势与不足

3.4 RuleFit模型

3.4.1 模型定义

3.4.2 规则提取

3.4.3 实现算法

3.4.4 模型解释性

3.4.5 模型的优势与不足

3.5 Falling Rule Lists模型

3.5.1 模型定义

3.5.2 模型参数估计

3.5.3 实现算法

3.5.4 模型解释性

3.5.5 模型的优势与不足

3.6 GAMMLI模型

3.6.1 传统推荐算法的不足

3.6.2 交互项效应拟合方法

3.6.3 自适应软填充

3.6.4 模型解释性

3.6.5 模型的优势与不足

3.7 本章小结

第4章 复杂模型事后解析方法

4.1 部分依赖图

4.1.1 部分依赖函数

4.1.2 估计方法

4.1.3 部分依赖图的局限

4.1.4 个体条件期望图

4.1.5 实例演示

4.2 累积局部效应图

4.2.1 从部分依赖图到累积局部效应图

4.2.2 累积局部效应方程

4.2.3 实例演示

4.2.4 ALE方法的优劣

4.3 LIME事后解析方法

4.3.1 局部代理模型

4.3.2 LIME方法的基本流程

4.3.3 LIME方法的解释

4.3.4 LIME方法的优劣

4.4 SHAP事后解析方法

4.4.1 SHAP的基本思想

4.4.2 Shapley Value

4.4.3 SHAP的实现算法

4.4.4 SHAP方法的解释

4.4.5 SHAP方法的优劣

4.4.6 扩展阅读

4.5 本章小结

第三部分 实例

第5章 银行VIP客户流失预警及归因分析

5.1 案例背景

5.2 数据介绍

5.3 建模分析

5.3.1 目标定义

5.3.2 数据处理

5.3.3 模型构建

5.3.4 流失归因

5.4 营销建议

5.5 代码展示

5.6 本章小结

第6章 银行个人客户信用评分模型研究

6.1 案例背景

6.2 数据介绍

6.3 建模分析

6.3.1 目标定义

6.3.2 数据处理

6.3.3 模型构建

6.4 三种方法对比

6.5 代码展示

6.6 扩展思考：基于规则的特征衍生

6.7 本章小结

第7章 银行理财产品推荐建模分析

7.1 场景介绍

7.1.1 推荐系统

7.1.2 银行中的推荐系统

7.2 数据介绍

7.2.1 推荐场景数据特点

7.2.2 Santander数据集

7.3 建模分析

7.3.1 数据处理

7.3.2 模型构建

7.3.3 模型结果评估

7.4 案例分析

7.5 本章小结