機械学習モデルの予測値を解釈する「SHAP」と協力ゲーム理論の考え方

機械学習を活用すれば、膨大なデータをもとにして、さまざまな事柄について予測値を導き出すことができます。しかし、実際にその予測値を役立てるためには、なぜそうした予測結果になったのかを理解することが重要です。予測値を解釈するための手法として、協力ゲーム理論を応用したSHAP（SHapley Additive exPlanations）という手法があります。TVISION INSIGHTS株式会社でデータサイエンティストマネージャーを務める森下光之助氏が、SHAPの基本的な考え方と、そのベースとなる協力ゲーム理論について解説します。 SHAP（SHapley Additive exPlanations）で予測結果の貢献度を分解する 森下光之助 氏（以下、森下）：まずは簡単に自己紹介をさせてください。僕はTVISION INSIGHTS株式会社でデータサイエンティストのマネージャーをやっていて、僕

[smarple]

機械学習って、理解するの難しいよね。

[masadream]

SHAP解説

[misshiki]

“SHAP（SHapley Additive exPlanations）で予測結果の貢献度を分解する、特徴量がない場合の予測値はどうやってつくるか？、SHAPによる分析の実際、SHAPによるグローバルな分析”