Metrik keterjelasan

Explainable AI in Python

Fouad Trad

Machine Learning Engineer

Konsistensi

Menilai kestabilan penjelasan saat model dilatih pada subset berbeda
Konsistensi rendah → penjelasan tidak kuat

Gambar menampilkan dataset dibagi menjadi dua subset: subset 1 dan subset 2.

Konsistensi

Menilai kestabilan penjelasan saat model dilatih pada subset berbeda
Konsistensi rendah → penjelasan tidak kuat

Model dilatih pada tiap subset.

Konsistensi

Menilai kestabilan penjelasan saat model dilatih pada subset berbeda
Konsistensi rendah → penjelasan tidak kuat

Setiap kali model dilatih pada subset, kita turunkan importance fitur dan hitung kemiripan kosinusnya.

Kemiripan kosinus untuk mengukur konsistensi

Gambar menampilkan nilai kunci Konsistensi dan artinya: 1 = penjelasan sangat konsisten.

Kemiripan kosinus untuk mengukur konsistensi

Gambar menampilkan nilai kunci Konsistensi dan artinya: 1 = penjelasan sangat konsisten, 0 = tidak konsisten,

Kemiripan kosinus untuk mengukur konsistensi

Gambar menampilkan nilai kunci Konsistensi dan artinya: 1 = penjelasan sangat konsisten, 0 = tidak konsisten, -1 = penjelasan berlawanan.

Dataset penerimaan

Skor GRE	Skor TOEFL	Peringkat Universitas	SOP	LOR	IPK	Peluang Diterima
337	118	4	4.5	4.5	9.65	0.92
324	107	4	4	4.5	8.87	0.76
316	104	3	3	3.5	8	0.72
322	110	3	3.5	2.5	8.67	0.8
314	103	2	2	3	8.21	0.45

X1, y1: bagian pertama dataset
X2, y2: bagian kedua dataset
model1, model2: random forest regressor

Menghitung konsistensi

from sklearn.metrics.pairwise import cosine_similarity


explainer1 = shap.TreeExplainer(model1)
explainer2 = shap.TreeExplainer(model2)


shap_values1 = explainer1.shap_values(X1)
shap_values2 = explainer2.shap_values(X2)


feature_importance1 = np.mean(np.abs(shap_values1), axis=0)
feature_importance2 = np.mean(np.abs(shap_values2), axis=0)


consistency = cosine_similarity([feature_importance1], [feature_importance2])
print("Consistency between SHAP values:", consistency)

Consistency between SHAP values: [[0.99706516]]

Faithfulness

Mengevaluasi apakah fitur penting memengaruhi prediksi model
Faithfulness rendah → menyesatkan kepercayaan pada penalaran model
Berguna pada aplikasi sensitif

Gambar menampilkan model yang menghasilkan prediksi awal untuk sebuah sampel masukan.

Faithfulness

Mengevaluasi apakah fitur penting memengaruhi prediksi model
Faithfulness rendah → menyesatkan kepercayaan pada penalaran model
Berguna pada aplikasi sensitif

SHAP atau LIME digunakan untuk menjelaskan prediksi awal ini secara lokal.

Faithfulness

Mengevaluasi apakah fitur penting memengaruhi prediksi model
Faithfulness rendah → menyesatkan kepercayaan pada penalaran model
Berguna pada aplikasi sensitif

Sampel yang dimodifikasi dimasukkan ke model untuk menghasilkan prediksi baru.

Faithfulness

Mengevaluasi apakah fitur penting memengaruhi prediksi model
Faithfulness rendah → menyesatkan kepercayaan pada penalaran model
Berguna pada aplikasi sensitif

Gambar menampilkan rumus menghitung faithfulness sebagai nilai absolut selisih antara prediksi baru dan prediksi awal.

Menghitung faithfulness

X_instance = X_test.iloc[[0]]

original_prediction = model.predict_proba(X_instance)[0, 1]
print(f"Original prediction: {original_prediction}")

Original prediction: 0.43

Gambar menampilkan penjelasan pentingnya fitur LIME untuk sampel terpilih.

Menghitung faithfulness

X_instance['GRE Score'] = 310  


new_prediction = model.predict_proba(X_instance)[0, 1]
print(f"Prediction after perturbing {important_feature}: {new_prediction}")


faithfulness_score = np.abs(original_prediction - new_prediction)
print(f"Local Faithfulness Score: {faithfulness_score}")

Prediction after perturbing GRE Score: 0.77

Local Faithfulness Score: 0.34

Ayo berlatih!

Explainable AI in Python