Vysvětlení modelů bez učitele

Explainable AI v Pythonu

Fouad Trad

Machine Learning Engineer

Clustering

Seskupení podobných datových bodů bez předem definovaných štítků

Obrázek zobrazující data se 2 příznaky rozdělená do 3 clusterů, každý s centroidem.

Silhouette skóre

Měří kvalitu clusteringu
Nabývá hodnot od -1 do 1
- 1 → dobře oddělené clustery

Obrázek zobrazující dobře oddělené clustery.

Silhouette skóre

Měří kvalitu clusteringu
Nabývá hodnot od -1 do 1
- 1 → dobře oddělené clustery
- -1 → body přiřazeny nesprávně

Obrázek zobrazující clustery bez zřetelného oddělení.

Vliv příznaku na kvalitu clusterů

Obrázek zobrazující výsledek clusteringu datové sady se 2 příznaky na vstupu algoritmu.

Vliv příznaku na kvalitu clusterů

Obrázek zobrazující výsledek clusteringu po odebrání jednoho příznaku a novém trénování modelu.

Vliv příznaku na kvalitu clusterů

Obrázek zobrazující vzorec pro výpočet vlivu odebraného příznaku jako rozdíl silhouette skóre s oběma příznaky a skóre bez daného příznaku.

$\text{Impact(}f) > 0$ → pozitivní příspěvek příznaku $f$
$\text{Impact(}f) < 0$ → $f$ vnáší šum

Datová sada Student Performance

age	health status	absences	G1	G2	G3
18	3	4	0	11	11
17	3	2	9	11	11
15	3	6	12	13	12
15	5	0	14	14	14
16	5	0	11	13	13

X: pole obsahující příznaky

Výpočet vlivu příznaku na kvalitu clusterů

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score


kmeans = KMeans(n_clusters=2).fit(X)

original_score = silhouette_score(X, kmeans.labels_)


for i in range(X.shape[1]):

    X_reduced = np.delete(X, i, axis=1)

    kmeans.fit(X_reduced)

    new_score = silhouette_score(X_reduced, kmeans.labels_)

    impact = original_score - new_score
    print(f'Feature {column_names[i]}: Impact = {impact}')

Výpočet vlivu příznaku na kvalitu clusterů

Feature age: Impact = 0.05199181662741281
Feature health status: Impact = 0.06046737420227638
Feature absences: Impact = 0.031290940582026694
Feature G1: Impact = -0.025746421940652353
Feature G2: Impact = -0.02578292339364119
Feature G3: Impact = -0.03163419458330158

Upravený Randův index (ARI)

Měří shodu přiřazení clusterů

Obrázek zobrazující dvě podobná přiřazení clusterů pro danou datovou sadu.

Maximum ARI = 1 → dokonalá shoda clusterů

Upravený Randův index (ARI)

Měří shodu přiřazení clusterů

Obrázek zobrazující dvě odlišná přiřazení clusterů pro stejnou datovou sadu.

Maximum ARI = 1 → dokonalá shoda clusterů
Nižší ARI → větší rozdíl v clusteringu

Důležitost příznaku pro přiřazení clusterů

Odebírejte příznaky postupně jeden po druhém
$\text{Importance}(f) = 1 - \text{ARI (original clusters, modifed clusters)}$
Nízké $\text(ARI)$ → vysoké $\text(1 - ARI)$ → důležitý příznak

Důležitost příznaku pro přiřazení clusterů

from sklearn.metrics import adjusted_rand_score


kmeans = KMeans(n_clusters=2).fit(X)
original_clusters = kmeans.predict(X)


for i in range(X.shape[1]):

    X_reduced = np.delete(X, i, axis=1)

    reduced_clusters = kmeans.fit_predict(X_reduced)

    importance = 1 - adjusted_rand_score(original_clusters, reduced_clusters)
    print(f'{df.columns[i]}: {importance}')

age: 0.0
health status: 0.9995376368119572
absences: 0.0
G1: 0.0
G2: 0.6204069909514572
G3: 0.6204069909514572

Pojďme si procvičit!

Explainable AI v Pythonu