可解释机器学习（Interpretable Machine Learning）开源电子书，系统讲解机器学习模型的可解释性方法和理论。

内容涵盖线性回归与逻辑回归的内在可解释性、特征重要性（Permutation Importance）、部分依赖图（PDP）、局部可解释模型（LIME）、Shapley值（SHAP）等主流可解释性技术。

书中还讨论了模型公平性、可解释性与准确性之间的权衡等前沿话题，配有丰富的R和Python代码示例，是数据科学家和ML工程师理解和实践模型可解释性的权威参考。