Dropout

データサイエンスについて勉強したことを書いていきます。機械学習、解釈性、因果推論など。

トップ > interpretable machine learning

interpretable machine learning

Accumulated Local Effects（ALE）で機械学習モデルを解釈する

ALE PDP interpretable machine learning 機械学習 Random Forest Python シミュレーション

はじめに Partial Dependence 特徴量が独立の場合 数式による確認 PDの実装 特徴量が相関する場合 PDがうまく機能しない原因 Marginal Plot Marginal Plotの数式 Marginal Plotのアルゴリズム Maginal Plotの実装 Accumulated Local Effects ALEのアイデア A…

Influence Functionでインスタンスの重要度を解釈する

interpretable machine learning Python influence 機械学習 シミュレーション

モチベーション インスタンス重要度の定義は？ Leave One Outによるインスタンス重要度の計算 Influence Functionでインスタンス重要度を近似する 記法の導入 Influence Functionの導出 パラメータの性質 線形回帰モデルの場合 線形回帰モデルのInfluence Fu…

SHAP(SHapley Additive exPlanations)で機械学習モデルを解釈する

SHapley Additive exPlanations SHAP Random Forest Python interpretable machine learning ゲーム理論 shapley value 機械学習

はじめに この記事で書いていること、書いていないこと アルバイトゲームとShapley Value 機械学習モデルへの応用 参考文献 はじめに ブラックボックスモデルを解釈する手法として、協力ゲーム理論のShapley Valueを応用したSHAP(SHapley Additive exPlanati…

tidymodelsとDALEXによるtidyで解釈可能な機械学習

R Random Forest parsnip tidymodels interpretable machine learning ICE PDP 機械学習

はじめに パッケージ シミュレーション1 データ モデル DALEXによる解釈 変数重要度 PDP シミュレーション2 データの作成 DALEXによる解釈 PDP ICE Plot Conditional PDP clusterd ICE Plot まとめ 参考文献 ※この記事をベースにした2020年1月25日に行われた…

変数重要度とPartial Dependence Plotで機械学習モデルを解釈する

EDA interpretable machine learning Random Forest R 機械学習

はじめに モデルの学習 変数重要度 Partial Dependence Plot まとめ 参考 はじめに RF/GBDT/NNなどの機械学習モデルは古典的な線形回帰モデルよりも高い予測精度が得られる一方で、インプットとアウトプットの関係がよくわからないという解釈性の問題を抱え…