SHAP を用いた機械学習への解釈性付与
（noteの「クリエイターを応援する」で応援していただけると嬉しいです。よろしくお願いします） SHAP（SHapley Additive exPlanations）とは背景昨今では機械学習モデルに解釈性や説明性が強く求められるようになっており「説明可能なAI（Explainable AI｜XAI）」が着目されるようになっている。 SHAPは、予測モデルに対してそのような解釈性を付与するために作られたライブラリ。 SHAPとは協力ゲーム理論のシャープレイ値（Shapley Value）を機械学習に応用したオープンソースのライブラリ。 SHAPを使うことで、ある機械学習モデルが導き出した予測値に対して、それぞれの特徴量の影響をどれだけ受けたか（寄与の度合い）を求めることができる。 特に、変数重要度をデータ個別に出せる点が、SHAPの魅力的な点と言える。 アウトプット例として、例えば以下の図。
Pycaretの使い方
pycaretおおまかな操作方法について。 （必要そうな部分のみのメモ） インストールpipでインストール conda でもインストール出来るらしいがエラーが出ることが多いらしい。 pip install pycaretデータの準備さまざまなオープンデータが用意されている（全部で55のデータセットが利用可能） get_dataでデータを取得できる （get_data("index")一覧を取得可能） # データを取得する from pycaret.datasets import get_data all_datasets = get_data('index') all_datasets.head() DatasetData TypesDefault TaskTarget Variable 1Target Variable 2# Instances# AttributesMissing Va
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
