Main Content

このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

解釈可能性

解釈可能な回帰モデルの学習と複雑な回帰モデルの解釈

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回帰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回帰モデルを解釈します。

回帰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

Local Interpretable Model-agnostic Explanations (LIME)

limeLocal Interpretable Model-agnostic Explanations (LIME)
fitLocal Interpretable Model-agnostic Explanations (LIME) の単純モデルのあてはめ
plotLocal 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
fitlm線形回帰モデルをあてはめる
fitrgam回帰用の一般化加法モデル (GAM) の当てはめ
fitrlinear高次元データに対する線形回帰モデルのあてはめ
fitrtree回帰用のバイナリ決定木をあてはめる

オブジェクト

LinearModel線形回帰モデル
RegressionGAM回帰用の一般化加法モデル (GAM)
RegressionLinear高次元データ用の線形回帰モデル
RegressionTree回帰木

トピック

モデルの解釈

機械学習モデルの解釈

limeshapley および 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。

解釈可能なモデル

線形回帰モデルの学習

fitlm を使用して線形回帰モデルを学習させ、インメモリ データとメモリ超過のデータを解析する。

回帰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。

回帰学習器アプリを使用して回帰木に学習をさせる

回帰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。