12 月 9 日，一本机器学习新书上线了，它就是《Limitations of Interpretable Machine Learning Methods》，中文译为《可解释机器学习方法的局限性》。
书籍简介：
这本书主要解释了当前可解释机器学习方法的局限性。这些方法包括部分相关图（PDP）、累积局部效应（ALE）、排列特征重要性、保留一个协变量（LOCO）和局部可解释模型不可知解释（LIME）。所有这些方法都可以用来解释经过训练的机器学习模型的行为和预测。但是，在以下情况下，解释方法可能无法很好地工作：
- 如果模型交互式建模（例如使用随机森林算法）
- 如果特征之间有很强的相关性
- 如果模型不能正确地模拟因果关系
- 如果解释方法的参数设置不正确
本书是 2019 年夏天在慕尼黑大学统计系举办的“可解释机器学习的局限性”研讨会的成果，可谓是一份精华总结。
目录：
这本书总共有 254 页，包含 14 章内容：
在线阅读：
这本《可解释机器学习方法的局限》也可以在线阅读，在线网址为：
https://compstat-lmu.github.io/iml_methods_limitations/
这份在线阅读网址非常友好，顶部的菜单栏可为读者提供搜索、更改字体、编辑、下载等功能，非常方便。
附加资源：
我在公众号曾经发布过另一份关于可解释机器学习的书籍，这本书的重点是表格式数据（也称为关系数据或结构化数据）的机器学习模型，而不是计算机视觉和自然语言处理任务。对于机器学习实践者、数据科学家、统计学家以及任何其他对机器学习模型的解释感兴趣的人，推荐阅读本书。
请戳链接：《可解释机器学习》
最后，这本《可解释机器学习方法的局限》提供 PDF 和 EPUB 两种格式的下载。这里附上 PDF 版本的云盘链接：
https://pan.baidu.com/s/1Fskz_JGf5YE2ypj3k424bA
提取码：strg
