可解释机器学习

这是《可解释机器学习——黑盒模型解释指南》一书的代码仓库。

您可以通过以下方式阅读本书：

• 在线免费阅读
• 购买电子书
• 购买纸质版

摘要

当前版本的书籍可以在这里找到：https://christophm.github.io/interpretable-ml-book/

本书探讨的是可解释机器学习。如今，机器学习已广泛应用于我们日常生活的诸多产品和流程中，然而机器做出的决策往往缺乏相应的解释。而解释能够增强人们对决策及机器学习模型的信任。作为算法的开发者，您需要了解所训练的模型是否可靠，它是否学习到了具有泛化能力的特征，抑或只是捕捉到了训练数据中的某些异常模式。本书将概述一系列技术，旨在尽可能地揭示“黑箱”的内部运作，并对决策进行解释。第一章介绍了能够生成简单、可解释模型的算法，并提供了如何解读其输出的指导；后续章节则聚焦于复杂模型及其决策的分析。

在理想的未来，机器将能够解释自身的决策，从而推动人类社会迈向更加人性化的算法时代。本书适合机器学习从业者、数据科学家、统计学家，以及那些负责决策是否采用机器学习和智能算法的相关利益方阅读。

更改日志

版本历史请参阅 CHANGELOG.md。

引用本书 {#cite}

如果您在博客文章、研究论文或产品开发中使用了本书的内容，我将不胜感激。您可以按如下方式引用本书：

Molnar, Christoph. 《可解释机器学习：让黑盒模型可解释的指南》. 第3版，2025年. ISBN: 978-3-911578-03-5. 可访问地址：\url{https://christophm.github.io/interpretable-ml-book}.

或者使用以下 BibTeX 条目：

@book{molnar2025,
  title={可解释机器学习},
  subtitle={让黑盒模型可解释的指南},
  author={Christoph Molnar},
  year={2025},
  edition={3},
  isbn={978-3-911578-03-5},
  url={https://christophm.github.io/interpretable-ml-book}
}

我一直很想知道业界和学术界是如何应用解释方法的。如果您将本书作为参考文献，请不吝告知我具体用途，这对我来说既是满足个人好奇心的方式，也能促进有益的交流。我的邮箱是 chris@christophmolnar.com。

贡献

如果您发现书中存在任何错误，欢迎帮助我们修正！贡献步骤如下：

1. 克隆本仓库。
2. 创建一个新的分支用于修复。
3. 解决您发现的问题。
4. 提交包含清晰修复说明的拉取请求。

此外，如果您有内容建议或需求，也欢迎随时提交议题。虽然我无法保证所有建议都会被采纳，但我非常感谢您的反馈。

感谢您为改进本书所做的努力！

更多资源：

• 大多数 R 示例都使用了由我开发的 iml R 包。
• 如果想深入了解 SHAP 方法，可以阅读我的另一本书《用 SHAP 解释机器学习模型》(https://christophmolnar.com/books/shap/)。

Interpretable Machine Learning 快速上手指南

interpretable-ml-book 并非一个传统的软件库，而是一本开源书籍及其配套代码仓库。它旨在指导开发者如何解释“黑盒”机器学习模型，提供从简单可解释模型到复杂模型分析的各种技术概览。

环境准备

本项目主要包含书籍内容（Markdown/HTML）以及用于演示的 R 语言代码示例。

• 系统要求：Windows、macOS 或 Linux 均可。
• 前置依赖：
  • 阅读书籍：无需安装任何软件，直接使用浏览器访问在线版即可。
  • 运行代码示例：需要安装 R 和 RStudio。
  • 核心 R 包：大部分示例依赖作者开发的 iml 包，以及常见的机器学习包（如 randomForest, xgboost 等）。

注意：目前书中示例主要以 R 语言为主。若需使用 Python 进行类似的可解释性分析，建议参考书中提到的方法论，并结合 Python 生态中的 SHAP 或 LIME 库使用。

安装步骤

方式一：在线阅读（推荐）

无需安装，直接访问官方托管的最新版书籍：

• 在线阅读地址：https://christophm.github.io/interpretable-ml-book/

方式二：本地获取源码与运行示例

如果你希望本地浏览源码或运行书中的 R 代码示例：

1. 克隆仓库

   git clone https://github.com/christophM/interpretable-ml-book.git
   cd interpretable-ml-book
   

2. 安装 R 依赖包 启动 R 或 RStudio，运行以下命令安装核心解释性包 iml 及其他常用依赖：

   install.packages("iml")
   install.packages(c("randomForest", "xgboost", "ggplot2", "pdp", "ICEbox"))
   

   注：国内用户若下载缓慢，可临时切换至清华或中科大镜像源：

   options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN"))
   install.packages("iml")
   

3. 本地构建书籍（可选） 如果需要本地生成 HTML 版本的书籍，需安装 bookdown 包并运行构建脚本（需确保已安装 Pandoc）：

   install.packages("bookdown")
   # 在项目根目录下运行
   bookdown::render_book("index.Rmd", output_format = "bookdown::gitbook")
   

基本使用

本书的核心价值在于提供方法论和代码片段。以下是一个基于书中 iml 包的最简单使用示例，展示如何解释一个随机森林模型的预测结果。

场景：解释黑盒模型的特征重要性

假设你已经训练了一个随机森林模型，想要知道哪些特征对预测结果影响最大。

library(iml)
library(randomForest)

# 1. 准备数据 (使用内置的 Boston 房价数据为例)
data("Boston", package = "MASS")
X <- Boston[, -14] # 特征
y <- Boston$medv   # 目标变量

# 2. 训练一个黑盒模型 (随机森林)
model <- randomForest(medv ~ ., data = Boston)

# 3. 创建 iml 预测器对象
# 这一步将模型封装为 iml 可识别的格式
predictor <- Predictor$new(
  model = model,
  data = X,
  y = y
)

# 4. 计算特征重要性 (Feature Importance)
# 使用置换重要性方法 (Permutation Importance)
imp <- FeatureImp$new(predictor, loss = "mse")

# 5. 可视化结果
plot(imp)

输出说明： 运行上述代码后，将弹出一个图表，显示各个特征（如 lstat, rm 等）对模型预测误差的影响程度。条形图越长，表示该特征越重要。这是理解黑盒模型决策逻辑的第一步。

---

更多高级用法（如 SHAP 值分析、局部依赖图 PDP、个体条件期望 ICE 等），请参阅在线书籍的对应章节。