📚 可解释性 · 评分模型
🧸 风格 · 30章完整目录
01
可解释性概述
为什么需要可解释性？定义与范畴，在金融风控、医疗诊断等领域的价值。
02
可解释性的分类
全局解释 vs 局部解释，模型内在解释 vs 事后解释，模型特定 vs 模型无关。
03
线性模型的可解释性
线性回归与逻辑回归系数解读，特征重要性排序，置信区间与p值。
04
决策树的可解释性
可视化与规则提取，特征分裂点与信息增益，决策路径局部解释。
05
基于规则的可解释方法
OneR、RIPPER、Falling Rule List，规则覆盖度与置信度评估。
06
LIME原理与实践
核心思想（局部近似），采样与加权机制，表格与文本数据应用。
07
LIME实战案例
解释信贷违约预测模型，代码实现与结果解读，超参数调优。
08
SHAP原理（上）
博弈论Shapley值，核心公式与加性特征归因，三个优良性质。
09
SHAP原理（下）
TreeSHAP与KernelSHAP区别，依赖图与交互效应，全局聚合。
10
SHAP实战案例
解释XGBoost评分卡，瀑布图与力图解读，特征重要性排序。
11
Partial Dependence Plot
PDP计算方法，局限性（特征独立性假设），评分模型应用。
12
Individual Cond. Expectation
ICE与PDP关系，绘制与解读，聚类与衍生图。
13
Accumulated Local Effects
ALE解决PDP偏差，计算步骤，与PDP对比实验。
14
Permutation Feature Importance
置换特征重要性原理，与系数重要性的区别，非线性模型优势。
15
Global Surrogate Models
用可解释模型近似黑箱，近似精度与可解释性权衡，评估指标。
16
Anchors
定义与生成算法，与LIME对比，表格与图像数据应用。
17
Counterfactual Explanations
反事实解释定义，生成优化方法，可行性与多样性。
18
ProtoDash
原型选择与批评，模型调试应用，与K-Means原型对比。
19
Integrated Gradients
积分梯度原理与公理，深度学习模型应用，与SHAP关联。
20
Grad-CAM
CNN热力图生成与解读，医疗影像评分应用。
21
DeepLIFT
链式法则与归因传播，与反向传播区别，序列模型应用。
22
可解释性评估指标
忠实度、稳定性、可理解性，计算方法与指标权衡。
23
模型调试与可解释性
发现数据泄露，识别偏见与不公平性，特征工程辅助。
24
公平性与可解释性
群体公平、个体公平，公平性审计，偏见检测与缓解。
25
金融风控中的应用
信用评分卡可解释性，监管合规(GDPR)，反欺诈模型解释。
26
医疗诊断中的应用
医学影像可解释性，电子病历风险评分，临床决策支持。
27
推荐系统中的应用
协同过滤与内容推荐可解释性，基于SHAP推荐解释，用户满意度。
28
可解释性工具与库
Python生态(SHAP、LIME、InterpretML、Eli5、Alibi)，选型与部署。
29
可解释性报告生成
自动化报告，模板设计(全局+局部)，面向业务可视化。
30
前沿与挑战
因果可解释性，概念瓶颈模型，大模型挑战，未来方向。
⭐ 点击任意卡片跳转对应章节 · 30章完整可解释性之旅