机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。本书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley 值和LIME 解释单个实例预测。 《可解释机器学习：黑盒模型可解释性理解指南》对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。 《可解释机器学习：黑盒模型可解释性理解指南》适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释性感兴趣的人阅读。

2.3.3　模块层面上的全局模型可解释性

2.3.3　模块层面上的全局模型可解释性

2.3.3 模块层面上的全局模型可解释性

2.3.3 模块层面上的全局模型可解释性

2.3.3　模块层面上的全局模型可解释性

2.3.3　模块层面上的全局模型可解释性