XAI(Explainable AI:説明可能なAI)の資料を公開しました
こんにちは、smorceです。
久しぶりにブログを更新します(^^)
最近「機械学習を解釈する技術」という書籍が販売され、Twitter上でも話題になっています。
こちらの書籍では機械学習モデルを解釈する手法としてSHAPが紹介されておりますが、
私もちょうどSHAPについて勉強し資料もまとめ終わったので、この話題に便乗して資料を公開することにしました。
こちらの書籍は未読なのですが、私はHACARUS様が翻訳してくださった「解釈可能な機械学習/Interpretable Machine Learning」日本語訳 (以下、説明AIの教科書)をベースに勉強させて頂きました。
こちらの資料は無料でWebに公開されております。
書籍「機械学習を解釈する技術」では線形回帰モデルの他
- Permutation Feature Importance
- Partial Dependence
- Individual Conditional Expectation
- SHapley Additive exPlanations
など、いくつかの解釈技法が紹介されておりますが、全て説明AIの教科書でも紹介されている技法ですので、説明AIの教科書で十分カバーされているかなと思いました。
私が公開させて頂いた資料では、SHAPに加えて類似手法であるLIMEも紹介しており、
テーブルデータ及び画像データに適用してみた事例も掲載しました。
実装上の注意点や実務での活用方法も掲載しております。
その他
- Partial Dependence Plot
- SHAP以外の特徴量重要度と比較(Gini Importance, Permutation Importance , Boruta Shadow Importance)
- 画像の説明可能モデルとして Grad-CAM, Guided Grad-CAM の紹介
もさせて頂きました。
機械学習モデルの解釈に興味のある方の参考になれば幸いです。
smorce: