目录
1 绪论 1
1.1 研究背景和意义 1
1.1.1 本书的研究背景 1
1.1.2 研究意义 2
1.2 国内外研究进展 3
1.2.1 机器学习模型的可解释性 3
1.2.2 EDM中的可解释性研究 8
1.2.3 当前研究存在的问题 11
1.3 本书主要研究内容及工作 12
1.3.1 本书主要研究内容 12
1.3.2 本书的工作 12
1.4 本书组织结构 14
2 基础知识介绍 15
2.1 EDM技术 15
2.2 本书涉及的应用问题 17
2.2.1 互联网行为预测学生表现 17
2.2.2 就业层次预测 18
2.3 EDM中常见的分类模型及其可解释性 19
2.3.1 常见分类模型 19
2.3.2 模型的可解释性 24
2.4 预测模型的评估标准 27
2.5 本书所涉及数据集的介绍 28
2.5.1 教育数据集 28
2.5.2 其他数据集 33
2.6 本章小结 34
3 一个理解原始数据集的处理流程 35
3.1 引言 35
3.2 IIOD-DU流程 36
3.2.1 流程概述 36
3.2.2 两种特征选择方法 38
3.3 实验结果与分析 40
3.3.1 数据集 40
3.3.2 理解问题的难度 40
3.3.3 理解类标 42
3.3.4 理解特征 46
3.4 本章小结 50
4 一种两阶段的数据准备方法 51
4.1 引言 51
4.2 TSDP方法 52
4.2.1 方法概述 52
4.2.2 I阶段分析 53
4.2.3 II阶段的分析 56
4.3 两种事后解释方法 57
4.4 实验 57
4.4.1 实验一：验证TSDP方法的有效性 57
4.4.2 实验二：使用事后解释法理解特征 57
4.5 本章小结 57
5 一种基于认知的黑盒模型解释方法 57
5.1 相关知识介绍 57
5.1.1 流行学习技术 57
5.1.2 人的分类学习 57
5.2 HCLI方法 57
5.2.1 方法概述 57
5.2.2 原型解释 57
5.2.3 范例解释 57
5.3 实验 57
5.3.1 人工合成数据集 57
5.3.2 UCI数据集 57
5.3.3 真实数据集 57
5.4 本章小结 57
6 一种跨模型评估可解释性的研究框架及其实现 57
6.1 引言 57
6.2 EIDM研究框架 57
6.3 提取特征 57
6.4 测量可解释性 57
6.4.1 调查问卷的设计 57
6.4.2 调查问卷的实施 57
6.5 标注类标 57
6.6 构建评判模型 57
6.7 实验结果与分析 57
6.7.1 验证调查的合理性 57
6.7.2 评估判别模型的性能 57
6.7.3 实验小结 57
6.8 本章小结 57
7 一种基于用户满意度的聚类方法 57
7.1 聚类质量评价 57
7.2 USBC方法 57
7.2.1 方法概述 57
7.2.2 最优化模型 57
7.2.3 模型求解 57
7.2.4 聚类结果再聚类 57
7.3 实验过程及结果分析 57
7.3.1 UCI数据集 57
7.3.2 真实数据集 57
7.4 本章小结 57
参考文献 57
展开
