Interpretable Machine Learning_CN-知识体系蓝图
第一部分：基础概念
第一章：前言
第二章：可解释性
- 4-核心概念-可解释性
- 5-核心概念-可解释性的重要性
- 6-理论方法-可解释性方法的分类
- 7-核心概念-可解释性范围
- 8-评估方法-可解释性评估
- 9-核心概念-解释的性质
- 10-核心概念-人性化的解释
第三章：数据集
第二部分：可解释的模型
第四章：可解释的模型
- 14-理论方法-线性回归
- 15-技术实现-线性回归的解释
- 16-理论方法-逻辑回归
- 17-技术实现-逻辑回归的解释
- 18-理论方法-广义线性模型(GLM)
- 19-理论方法-广义加性模型(GAM)
- 20-理论方法-决策树
- 21-技术实现-决策树的解释
- 22-理论方法-决策规则
- 23-理论方法-OneR
- 24-理论方法-顺序覆盖
- 25-理论方法-贝叶斯规则列表
- 26-理论方法-RuleFit
- 27-理论方法-朴素贝叶斯分类器
- 28-理论方法-k-最近邻
第三部分：模型无关方法
第五章：模型无关方法
- 29-理论方法-模型无关方法
- 30-理论方法-部分依赖图(PDP)
- 31-理论方法-个体条件期望(ICE)
- 32-理论方法-累积局部效应(ALE)
- 33-理论方法-特征交互(H-statistic)
- 34-理论方法-置换特征重要性
- 35-理论方法-全局代理模型
- 36-理论方法-局部代理(LIME)
- 37-理论方法-Shapley值
- 38-理论方法-SHAP