🤔
機械学習モデルと結果を解釈する(SHAP: SHapley Additive exPlanations)
Abstract: 機械学習モデルと結果を解釈するための手法
1. どの特徴量が重要か: モデルが重要視している要因がわかる
- feature importance
2. 各特徴量が予測にどう影響するか: 特徴量を変化させたときの予測から傾向を掴む
- partial dependence
- permutation importance
3. 予測結果が出たときの特徴量の寄与: 近似したモデルを作り、各特徴の寄与を算出
- LIME(Local Interpretable Model-agnostic Explainations)
- SHAP(SHapley Additive exPlanations)
Introduction: 機械学習の解釈性の重要が高まっている
現状、高精度を叩き出した機械学習は、ブラックボックスになりがちで根拠の説明を人間に提示しない
例えば、近い将来、お医者さんが機械学習モデルから導いたモデルから診断する時代になったとき
お医者さん「あなたは糖尿病に今後５年以内になりますよ。」
患者さん「どうしてわかったんですか？ 何が原因なんですか！？」
お医者さん「...。 AIがそう判断したからですよ...。」
患者さん「納得できません！」
と、なってしまう。
機械学習モデルが予測結果に対して、なぜその予測をしたのかという説明が必要。
Environment:
実験環境
Python==3.6.8
matplotlib==3.0.3
jupyter notebook
import re
import sklearn
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'
%reload_ext autoreload
%autoreload 2
データ
Kaggleのtitanicを使用。
適度なデータ数、カーディナリティの少なさ、解釈しやすさ、皆に認識されてる３点から採用。
Titanic: Machine Learning from Disaster
このコンペは、タイタニック号に乗船した、各乗客の購入したチケットのクラス(Pclass1, 2, 3の順で高いクラス)や、料金(Fare)、年齢(Age)、性別(Sex)、出港地(Embarked)、部屋番号(Cabin)、チケット番号(Tichket)、乗船していた兄弟または配偶者の数(SibSp)、乗船していた親または子供の数(Parch)など情報があり、そこからタイタニック号が氷山に衝突し沈没した際生存したかどうか(Survived)を予測する。
PassengerId – 乗客識別ユニークID
Survived – 生存フラグ（0=死亡、1=生存）
Pclass – チケットクラス
Name – 乗客の名前
Sex – 性別（male=男性、female＝女性）
Age – 年齢
SibSp – タイタニックに同乗している兄弟/配偶者の数
parch – タイタニックに同乗している親/子供の数
ticket – チケット番号
fare – 料金
cabin – 客室番号
Embarked – 出港地（タイタニックへ乗った港）
train.head()
前処理
Pythonでアンサンブル(スタッキング)学習 & 機械学習チュートリアル in Kaggle
↑前処理が簡潔で、データをあまりいじっていないので参考にさせていただきました。ありがとうございます。
基本的には前処理により以下の用にビン分割した。(ビン分割した理由は結果を人間が解釈しやすくなるため)
| Value | Age(年齢) |
|---|---|
| 0 | 16歳以下 |
| 1 | 32歳以下 |
| 2 | 48歳以下 |
| 3 | 64歳以下 |
| 4 | それ以上 |
| Value | Fare(料金) |
|---|---|
| 0 | 凄い低い |
| 1 | 低い |
| 2 | 高い |
| 3 | 凄い高い |
| Value | Embarked(出港地) |
|---|---|
| 0 | S 人が多い |
| 1 | C お金持ちが多い |
| 2 | Q 貧困が多い |
| Value | Title(敬称) |
|---|---|
| 0 | Mr |
| 1 | Miss |
| 2 | Mrs |
| 3 | Master |
| 4 | Rare |
| Value | Sex(性別) |
|---|---|
| 0 | female 女性 |
| 1 | male 男性 |
| Value | Pclass(チケットクラス) |
|---|---|
| 0 | 高級 |
| 1 | 中級 |
| 2 | 下級 |
| Value | IsAlone(家族有無) |
|---|---|
| 0 | 家族なし |
| 1 | 家族あり |
full_data = [train, test]
# 客室番号データがあるなら１を、欠損値なら0
train['Has_Cabin'] = train["Cabin"].apply(lambda x: 0 if type(x) == float else 1)
test['Has_Cabin'] = test["Cabin"].apply(lambda x: 0 if type(x) == float else 1)
# 家族の大きさを"タイタニックに同乗している兄弟/配偶者の数"と
# "タイタニックに同乗している親/子供の数"から定義
for dataset in full_data:
dataset['FamilySize'] = dataset['SibSp'] + dataset['Parch'] + 1
# 家族の有無 0なら家族なし、1なら家族あり
for dataset in full_data:
dataset['IsAlone'] = 0
dataset.loc[dataset['FamilySize'] == 1, 'IsAlone'] = 1
# 出港地の欠損値を一番多い"S"としておく
for dataset in full_data:
dataset['Embarked'] = dataset['Embarked'].fillna('S')
# 料金の欠損値を中央値としておく
# 料金の４グループに分ける
for dataset in full_data:
dataset['Fare'] = dataset['Fare'].fillna(train['Fare'].median())
train['CategoricalFare'] = pd.qcut(train['Fare'], 4)
# 年齢を５グループに分ける
for dataset in full_data:
age_avg = dataset['Age'].mean()
age_std = dataset['Age'].std()
age_null_count = dataset['Age'].isnull().sum()
age_null_random_list = np.random.randint(age_avg - age_std, age_avg + age_std, size=age_null_count)
dataset['Age'][np.isnan(dataset['Age'])] = age_null_random_list
dataset['Age'] = dataset['Age'].astype(int)
train['CategoricalAge'] = pd.cut(train['Age'], 5)
# 正規表現で姓名を取り出す
def get_title(name):
title_search = re.search(' ([A-Za-z]+)\.', name)
if title_search:
return title_search.group(1)
return ""
for dataset in full_data:
dataset['Title'] = dataset['Name'].apply(get_title)
# 誤字修正
dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col','Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')
dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss')
dataset['Title'] = dataset['Title'].replace('Ms', 'Miss')
dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')
for dataset in full_data:
# 性別を2種類にラベル付 女なら０、男なら１
dataset['Sex'] = dataset['Sex'].map( {'female': 0, 'male': 1} ).astype(int)
# 敬称を5種類にラベル付
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
dataset['Title'] = dataset['Title'].map(title_mapping)
dataset['Title'] = dataset['Title'].fillna(0)
# 出港地の3種類にラベル付
dataset['Embarked'] = dataset['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)
# 料金を４グループに分ける
dataset.loc[ dataset['Fare'] <= 7.91, 'Fare'] = 0
dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare'] = 2
dataset.loc[ dataset['Fare'] > 31, 'Fare'] = 3
dataset['Fare'] = dataset['Fare'].astype(int)
# 年齢を5グループに分ける
dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
dataset.loc[ dataset['Age'] > 64, 'Age'] = 4 ;
# 必要ない特徴を削除
drop_elements = ['PassengerId', 'Name', 'Ticket', 'Cabin', 'SibSp']
train = train.drop(drop_elements, axis = 1)
train = train.drop(['CategoricalAge', 'CategoricalFare'], axis = 1)
test = test.drop(drop_elements, axis = 1)
データを読み込み、学習させたいデータと正解ラベルに分ける
y_train = train['Survived'].ravel()
x_train = train.drop(['Survived'], axis=1)
x_test = test.values
モデル作成
Gradient Boosting Decision Tree の LightGBMでモデルを作成する。
import lightgbm as lgbm
model = lgbm.LGBMClassifier()
model.fit(x_train, y_train)
y_pred = model.predict(x_test)
prediction = np.round(y_pred).astype(int)
Method: SHAP(SHapley Additive exPlanations)
１つの予測結果から、別の解釈可能モデル(線形モデルetc)で局所近似
LIME(Local Interpretable Model-agnostic Explainations)とやるタスクは似ているが、異なるのは評価方法(貢献度)の違い
ゲーム理論を基に考えていて、報酬(出力への貢献度)を各プレイヤー(各特徴量)にどう配分するのかを求めている。
↑機械学習と解釈可能性のスライドが大変わかりやすく使わせていただきました。ありがとうございます。
Result:
#!pip install shap
import shap
shap.initjs()
explainer = shap.TreeExplainer(model=model, feature_dependence='tree_path_dependent', model_output='margin')
shap_values = explainer.shap_values(X=x_train)
特徴量ごとに寄与を観測する
Feature Importanceのようにモデルに与える寄与の値を各特徴量ごとに表示
shap.summary_plot(shap_values, x_train, plot_type="bar")
上記Feature Importanceを目的変数に対して、正負どちらの寄与を与えているのかの詳細
shap.summary_plot(shap_values, x_train)
特徴量の組み合わせによる生存可能性の寄与
shap_interaction_values = shap.TreeExplainer(model).shap_interaction_values(x_train)
shap.summary_plot(shap_interaction_values, x_train)
全体を観測
explainer = shap.TreeExplainer(model=model, feature_dependence='tree_path_dependent', model_output='margin')
shap_values = explainer.shap_values(X=x_train)
shap.force_plot(base_value=explainer.expected_value, shap_values=shap_values, features=x_train)
for column in x_train.columns:
shap.dependence_plot(column, shap_values=shap_values, features=x_train)
1つの予測結果から特徴量の寄与を観測する
row = 1
prediction_row = x_train.iloc[row]
prediction_row = prediction_row.values.reshape(1, -1)
row_predict_proba = model.predict_proba(prediction_row)
shap_interaction_values = shap.TreeExplainer(model).shap_interaction_values(x_train)
shap.summary_plot(shap_interaction_values, x_train)
explainer = shap.TreeExplainer(model=model)
shap_values = explainer.shap_values(prediction_row)
shap.force_plot(explainer.expected_value, shap_values, prediction_row, x_train.columns)
Title(人名から敬称を抽出したもの。今回はMrsを選択)や、Pclass、Sexを見ると赤いラベルが長くついている。今回でいうと、生存可には赤色の部分が影響している、逆に生存不可を判別する要因としてAgeがあげられた
目的関数の値ごとにモデルが判断した要因を探る
生存不可能と判断した例
survived_dead = train.query('Survived == 0').head().drop(columns='Survived')
length = len(survived_dead)
for i in range(length):
prediction_row = survived_dead.iloc[i]
prediction_row = prediction_row.values.reshape(1, -1)
explainer = shap.TreeExplainer(model=model)
shap_values = explainer.shap_values(prediction_row)
shap.force_plot(explainer.expected_value, shap_values, prediction_row, x_train.columns)
| 死亡 | 要因 |
|---|---|
| 生存要素 | 年齢が若く、家族もいる |
| 死亡要素 | 男性で金がなく、クラスも低い |
| 死亡 | 要因 |
|---|---|
| 生存要素 | 家族がいて、少しだけお金がある |
| 死亡要素 | 中年男性でクラスが低い |
| 死亡 | 要因 |
|---|---|
| 生存要素 | 年齢が若く、お金も少し払っている |
| 死亡要素 | 男性で、貧困 |
| 死亡 | 要因 |
|---|---|
| 生存要素 | クラスも上流、大金をはたいている |
| 死亡要素 | 高齢者の男性 |
| 死亡 | 要因 |
|---|---|
| 生存要素 | 子供 |
| 死亡要素 | 家族で来ていてクラスが下級の男の子 |
年齢が高いと生存可能性が大幅に下がる(若い人に救命ボートを譲ってるのか、もしくは体力的な原因かで途中でおなくなりになってしまうのか不明)
fareのお金を多少払っているかどうかで生存確率がぐっとあがっている、家族がいることもポジティブな要因になっている。
男性で且つ、お金をもっていないことが重なるとほぼ死亡してしまう。
生存可能と判断した例
survived_alive = train.query('Survived == 1').head().drop(columns='Survived')
length = len(survived_alive)
for i in range(length):
prediction_row = survived_alive.iloc[i]
prediction_row = prediction_row.values.reshape(1, -1)
explainer = shap.TreeExplainer(model=model)
shap_values = explainer.shap_values(prediction_row)
shap.force_plot(explainer.expected_value, shap_values, prediction_row, x_train.columns)
| 生存 | 要因 |
|---|---|
| 生存要素 | 階級が高く、お金を持ち、家族もいて、女性 |
| 死亡要素 | - |
| 生存 | 要因 |
|---|---|
| 生存要素 | 女性で家族を持っていて若い |
| 死亡要素 | 下級でお金をそんなに持ってない |
| 生存 | 要因 |
|---|---|
| 生存要素 | 女性でお金持ち |
| 死亡要素 | - |
| 生存 | 要因 |
|---|---|
| 生存要素 | 女性で家族がいる。お金も少しだけ支払っている |
| 死亡要素 | 階級が低い |
| 生存 | 要因 |
|---|---|
| 生存要素 | 女性で中流階級以上 |
| 死亡要素 | 中流にしてはお金を払ってない |
生存で面白いのは二番目の人で、若くて女性だと生き残りやすく、お金をあまりもっていない階級でも生存可能性があがるということがわかる
Discussion:
予測結果を観測するため、機械学習モデルの種類に依存しないので汎用性がある
SHAP値の計算を愚直におこなうと、計算量が多くなる
試行回数が多い場合は、勾配ブースティング法などのアンサンブル学習だと高速に値を求められる
SHAP Valueという見慣れない値で、グラフに慣れるのは少し時間がかかるが、解釈のしやすさを強く感じた
Referances:
Discussion