Метрики пояснюваності

Пояснюваний ШІ в Python

Fouad Trad

Machine Learning Engineer

Узгодженість

Оцінює стабільність пояснень, коли модель навчена на різних підмножинах
Низька узгодженість → пояснення не є надійними

Зображення набору даних, поділеного на дві підмножини: підмножина 1 і підмножина 2.

Узгодженість

Оцінює стабільність пояснень, коли модель навчена на різних підмножинах
Низька узгодженість → пояснення не є надійними

Модель навчається на кожній підмножині.

Узгодженість

Оцінює стабільність пояснень, коли модель навчена на різних підмножинах
Низька узгодженість → пояснення не є надійними

Щоразу, коли модель навчається на підмножині, ми отримуємо важливість ознак і рахуємо косинусну подібність між ними.

Косинусна подібність для вимірювання узгодженості

Значення метрики Consistency та їх значення: для 1 маємо дуже узгоджені пояснення.

Косинусна подібність для вимірювання узгодженості

Значення метрики Consistency та їх значення: для 1 маємо дуже узгоджені пояснення, для 0 — відсутня узгодженість.

Косинусна подібність для вимірювання узгодженості

Значення метрики Consistency та їх значення: для 1 маємо дуже узгоджені пояснення, для 0 — відсутня узгодженість, для -1 — протилежні пояснення.

Набір даних про вступ

GRE Score	TOEFL Score	University Rating	SOP	LOR	CGPA	Chance of Admit
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: перша частина набору даних
X2, y2: друга частина набору даних
model1, model2: регресори random forest

Обчислення узгодженості

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]]

Достовірність (Faithfulness)

Перевіряє, чи важливі ознаки впливають на передбачення моделі
Низька достовірність → вводить в оману щодо логіки моделі
Корисно в чутливих застосунках

Модель генерує початкове передбачення для вхідного зразка.

Достовірність (Faithfulness)

Перевіряє, чи важливі ознаки впливають на передбачення моделі
Низька достовірність → вводить в оману щодо логіки моделі
Корисно в чутливих застосунках

SHAP або LIME локально пояснюють це початкове передбачення.

Достовірність (Faithfulness)

Перевіряє, чи важливі ознаки впливають на передбачення моделі
Низька достовірність → вводить в оману щодо логіки моделі
Корисно в чутливих застосунках

Модифікований зразок подається в модель для нового передбачення.

Достовірність (Faithfulness)

Перевіряє, чи важливі ознаки впливають на передбачення моделі
Низька достовірність → вводить в оману щодо логіки моделі
Корисно в чутливих застосунках

Формула для обчислення достовірності як модуля різниці між новим і початковим передбаченнями.

Обчислення достовірності

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

Пояснення важливості ознак від LIME для вибраного зразка.

Обчислення достовірності

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

Давайте потренуємось!

Пояснюваний ШІ в Python