序言

机器学习在改善产品，流程和研究方面有巨大的潜力。但是计算机却无法解释他们的预测，这也是工业界采用机器学习面临的一个壁垒。这本书主要讨论如何使机器学习模型和模型的“决定”变得可解释。
在了解可解释性的概念之后，你将会对简单的可解释型模型例如：decision trees, decision rules and linear regression 有基本了解。后续几章主要集中讨论解释型黑箱模型的一般诊断方法。例如：feature importance and accumulated local effects and explaining individual predictions with Shapley values and LIME.
所有解释型模型都进行了深度解释和批判性讨论。他们是如何在内部进行工作的？各种方法的优缺点是什么？他们输出的结果是如何被解释的？这本书将指导你选择和正确应用最适合你的机器学习项目的可解释型方法。
这本书主要是针对表格数据(也叫关系型数据或者结构型数据) 相对而言，这本书较少的讨论计算机视觉和自然语言处理。建议机器学习从业者，数据科学家，统计学家和任何对使机器学习变得可解释的有兴趣的同学来阅读。