ヘルプセンターヘルプセンター

解釈可能性

解釈可能な分類モデルの学習と複雑な分類モデルの解釈

線形モデル、決定木、一般化加法モデルなどの本質的に解釈可能な分類モデルを使用するか、解釈可能性機能を使用して、本質的に解釈可能でない複雑な分類モデルを解釈します。

分類モデルを解釈する方法については、機械学習モデルの解釈を参照してください。

関数

すべて展開する

学習済みモデルの解釈

Local Interpretable Model-agnostic Explanations (LIME)

`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`fit`	Local Interpretable Model-agnostic Explanations (LIME) の単純モデルの当てはめ
`plot`	Local Interpretable Model-agnostic Explanations (LIME) の結果のプロット

シャープレイ値

`shapley`	シャープレイ値
`fit`	クエリ点のシャープレイ値の計算
`plot`	シャープレイ値のプロット

部分従属

`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成

解釈可能なモデルの学習

`fitcgam`	バイナリ分類用の一般化加法モデル (GAM) の当てはめ
`fitclinear`	高次元データに対するバイナリ線形分類器の当てはめ
`fitctree`	マルチクラス分類用の二分決定木を当てはめる

オブジェクト

`ClassificationGAM`	バイナリ分類用の一般化加法モデル (GAM)
`ClassificationLinear`	高次元データのバイナリ分類用の線形モデル
`ClassificationTree`	マルチクラス分類用の二分決定木

トピック

モデルの解釈

機械学習モデルの解釈
lime オブジェクトおよび shapley オブジェクトと関数 plotPartialDependence を使用してモデル予測を説明する。
機械学習モデルのシャープレイ値
kernelSHAP と kernelSHAP の拡張機能の 2 つのアルゴリズムを使用して、機械学習モデルのシャープレイ値を計算する。
特徴選択の紹介
特徴選択アルゴリズムについて学び、特徴選択に使用できる関数を確認します。
Interpret Classifiers Trained in Classification Learner App
Determine how features are used in trained classifiers by using partial dependence plots.

解釈可能なモデル

バイナリ分類用の一般化加法モデルの学習
最適なパラメーターで一般化加法モデル (GAM) に学習させて、予測性能を評価し、学習済みモデルを解釈する。
分類学習器アプリを使用した決定木の学習
分類木を作成および比較し、新しいデータについて予測を行うため学習済みモデルをエクスポートします。
最近傍点を使用した分類
さまざまな距離計量を使用して、学習データセット内の点への距離に基づいてデータ点を分類します。

関連情報