可解释机器学习 模型、方法与实践

1、涵盖了可解释机器学习zui前沿的研究成果及行业成功应用经验。 2、从算法层面系统地梳理了可解释机器学习技术的研究体系，脉络清晰，层层递进。 3、书中除详尽阐述了各种经典算法的原理外，还辅以数据、代码实例演示算法实现的步骤，是一本理论与实践相结合的实用指南。 4、提供了可解释机器学习应用于银行业务场景的实际案例，让读者身临其境，充分理解可解释机器学习是如何解决现实问题的。 5、涵盖了金融科技领域新的技术应用成果，对金融机构数字化建设有重要的参考价值。

本书是索信达金融AI实验室团队结合学术界前沿理论研究和金融行业应用经验打造的国内专享的关于可解释机器学习应用方面的图书。书中将可解释机器学习技术的研究路线和应用成果进行了系统的整理，用通俗易懂的语言详述了可解释机器学习研究中先后出现的各种理论算法，并通过丰富的真实业务场景案例指导读者透彻理解和熟练使用可解释机器学习技术解决现实问题。全书共七章，分为三大部分，第一部分为背景（第1~2章），阐述可解释机器机器学习的背景和重要性，帮助读者对可解释机器学习建立初步印象；第二部分为理论（第3~4章），根据可解释机器学习的分类，从内在可解释和事后可解释两个方向介绍该领域中常见的模型和方法，帮助读者搭建起可解释机器学习的理论知识体系；第三部分为实例（第5~7章），重点介绍可解释机器学习在金融领域不同业务场景的应用成果，通过案例的形式进行了全过程的分享展示，进一步加深读者对可解释机器学习在金融领域应用价值的认识。

邵平 资深数据科学家，索信达控股金融AI实验室总监。在大数据、人工智能领域有十多年技术研发和行业应用经验。技术方向涉及可解释机器学习、深度学习、时间序列预测、智能推荐、自然语言处理等。现主要致力于可解释机器学习、推荐系统、银行智能营销和智能风控等领域的技术研究和项目实践。 杨健颖 云南财经大学统计学硕士，高级数据挖掘工程师，一个对数据科学有坚定信念的追求者，目前重点研究机器学习模型的可解释性。 苏思达 美国天普大学统计学硕士，机器学习算法专家，长期为银行提供大数据与人工智能解决方案和技术服务。主要研究方向为可解释机器学习与人工智能，曾撰写《可解释机器学习研究报告》和多篇可解释机器学习相关文章。

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
1.1.1 机器学习面临的挑战
1.1.2 黑盒模型存在的问题
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
2.1.1 可解释性的定义
2.1.2 可解释性的分类
2.1.3 可解释机器学习的研究方向
2.2 可解释性的作用
2.2.1 产生信任
2.2.2 提供因果关系依据
2.2.3 帮助模型诊断
2.2.4 安全使用模型
2.2.5 避免发生偏见与歧视
2.3 可解释性的实现
2.3.1 建模前的可解释性实现
2.3.2 建模中的可解释性实现
2.3.3 建模后的可解释性实现
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
3.1.1 线性回归
3.1.2 广义线性模型
3.1.3 广义加性模型
3.1.4 决策树
3.2 EBM模型
3.2.1 模型定义
3.2.2 识别二阶交互项
3.2.3 实现算法
3.2.4 模型解释性
3.2.5 模型的优势与不足
3.3 GAMI-Net模型
3.3.1 模型定义
3.3.2 GAMI-Net的3个重要准则
3.3.3 实现算法
3.3.4 模型解释性
3.3.5 模型的优势与不足
3.4 RuleFit模型
3.4.1 模型定义
3.4.2 规则提取
3.4.3 实现算法
3.4.4 模型解释性
3.4.5 模型的优势与不足
3.5 Falling Rule Lists模型
3.5.1 模型定义
3.5.2 模型参数估计
3.5.3 实现算法
3.5.4 模型解释性
3.5.5 模型的优势与不足
3.6 GAMMLI模型
3.6.1 传统推荐算法的不足
3.6.2 交互项效应拟合方法
3.6.3 自适应软填充
3.6.4 模型解释性
3.6.5 模型的优势与不足
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
4.1.1 部分依赖函数
4.1.2 估计方法
4.1.3 部分依赖图的局限
4.1.4 个体条件期望图
4.1.5 实例演示
4.2 累积局部效应图
4.2.1 从部分依赖图到累积局部效应图
4.2.2 累积局部效应方程
4.2.3 实例演示
4.2.4 ALE方法的优劣
4.3 LIME事后解析方法
4.3.1 局部代理模型
4.3.2 LIME方法的基本流程
4.3.3 LIME方法的解释
4.3.4 LIME方法的优劣
4.4 SHAP事后解析方法
4.4.1 SHAP的基本思想
4.4.2 Shapley Value
4.4.3 SHAP的实现算法
4.4.4 SHAP方法的解释
4.4.5 SHAP方法的优劣
4.4.6 扩展阅读
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
5.3.1 目标定义
5.3.2 数据处理
5.3.3 模型构建
5.3.4 流失归因
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
6.3.1 目标定义
6.3.2 数据处理
6.3.3 模型构建
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
7.1.1 推荐系统
7.1.2 银行中的推荐系统
7.2 数据介绍
7.2.1 推荐场景数据特点
7.2.2 Santander数据集
7.3 建模分析
7.3.1 数据处理
7.3.2 模型构建
7.3.3 模型结果评估
7.4 案例分析
7.5 本章小结