問題 No.1056
機械学習モデルの予測結果に対する各特徴量の貢献度を算出する手法であるSHAPに関する説明として、最も適切なものを1つ選べ。
【正解の解説】
協力ゲーム理論におけるシャープレィ値をベースにしており、特徴量の貢献度を公平に分配して算出できる。
SHAPは、協力ゲーム理論から生まれたシャープレィ値という考え方を使い、予測結果に対して「どの特徴量がどれだけ貢献したか」を、みんなが納得いくように分配する手法です。
スポンサーリンク
【その他の選択肢の解説】
ディープラーニングのモデルにのみ適用可能であり、決定木ベースのモデルには適用できない。
SHAPは特定のモデルに依存せず、機械学習モデルであれば、ディープラーニングから決定木まで幅広く適用できるのが強みです。
モデル全体の傾向を大まかに把握するための手法であり、個々の予測に対する説明はできない。
SHAPは予測の全体像だけでなく、個々のデータに対して「なぜその予測になったのか」を特徴量ごとに説明できるのが最大の特徴です。
特徴量同士に強い相関関係がある場合でも、全く計算精度が落ちない性質を持つ。
SHAPは特徴量間に強い相関がある場合、計算コストはかかりますが、貢献度を公平に分配しようと努める手法です。