可解释机器学习：模型、方法与实践

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唯一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。

这是一本结合学术界前沿理论研究和金融行业应用经验的国内唯一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。 书中首先介绍了我国模型监管政策，并详细阐述了黑盒模型在银行业应用中的问题，例如缺乏解释性、可能存在偏见问题以及操作风险等。为了解决这些问题，书中详细介绍了线性回归模型定义与残差，广义线性模型定义与指数族分布，