编辑推荐
本书先从背景出发，阐述黑盒模型存在的问题以及不解决黑盒问题模型可能带来的后果，引出可解释机器学习的重要性。
内容简介
文中通过三个不同的应用场景，介绍在银行实战中的数据挖掘方法，由问题、处理方法出发，结合可解释机器学习模型结果，证明模型的有效性和实用性，期望读者通过对本书的阅读，可以更快更好的解决实际业务问题，而非纸上谈兵。
业务场景均为业内的典型案例，希望能够对读者有所启发。同时，本书中还会有大量的公式与代码，保证内容的丰富与严谨，经得起推敲，使得读者知其然且知其所以然。
章节目录
版权信息
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
1.2 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
2.2 可解释性的作用
2.3 可解释性的实现
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
3.2 EBM模型
3.3 GAMI-Net模型
3.4 RuleFit模型
3.5 Falling Rule Lists模型
3.6 GAMMLI模型
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
4.2 累积局部效应图
4.3 LIME事后解析方法
4.4 SHAP事后解析方法
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
5.4 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
6.4 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
7.2 数据介绍
7.3 建模分析
7.4 案例分析
7.5 本章小结
可解释机器学习：模型、方法与实践是2021年由机械工业出版社华章分社出版,作者邵平。
得书感谢您对《可解释机器学习：模型、方法与实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
