SHAP カーネル解釈器

Pythonで学ぶExplainable AI

Fouad Trad

Machine Learning Engineer

SHAP 解釈器は、どのモデルにも使える汎用解釈器と、特定のモデル型に最適化されたタイプ別解釈器に分かれることを示す図。

心疾患

age	sex	blood_pressure	ecg_results	thalassemia
52	1	125	1	3
53	1	140	0	3
70	1	145	1	3
61	1	148	1	3
62	0	138	1	2

mlp_clf: 心疾患リスクを予測する多層パーセプトロン

age	gender	bmi	children	smoker	charges
19	0	27.900	0	1	16884.92
18	1	33.770	1	0	1725.55
28	1	33.000	3	0	4449.46
33	1	22.705	0	0	21984.47
32	1	28.880	0	0	3866.85

mlp_reg: 保険料を予測する多層パーセプトロン

import shap


explainer = shap.KernelExplainer(
  # モデルの予測関数, 
  # データセットの代表要約
)

import shap


explainer = shap.KernelExplainer(
  # モデルの予測関数, 
  # データセットの代表要約
)

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  # データセットの代表要約
)

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  # データセットの代表要約
)

import shap

explainer = shap.KernelExplainer(
  mlp_reg.predict, 
  shap.kmeans(X, 10)
)


shap_values_reg = explainer.shap_values(X)

import shap

explainer = shap.KernelExplainer(
  mlp_clf.predict_proba, 
  shap.kmeans(X, 10)
)


shap_values_cls = explainer.shap_values(X)

mean_reg = np.abs(shap_values_reg).mean(axis=0)

plt.bar(X.columns, mean_reg)

回帰タスクの特徴量重要度の棒グラフ。喫煙と年齢が保険料の予測に最も影響することを示す。

mean_cls = np.abs(shap_values_cls[:,:,1]).mean(axis=0)

plt.bar(X.columns, mean_cls)

分類タスクの特徴量重要度の棒グラフ。胸痛タイプとサラセミアが予測に最も影響することを示す。

plt.bar(X.columns, np.abs(lin_reg.coef_))

線形回帰モデルでの特徴量重要度の棒グラフ。喫煙と年齢が保険料の予測に最も影響することを示す。

plt.bar(X.columns, np.abs(log_reg.coef_[0]))

分類タスクでの特徴量重要度の棒グラフ。胸痛タイプが予測に最も影響することを示す。

Pythonで学ぶExplainable AI