- Amazon.co.jp ・本 (272ページ)
- / ISBN・EAN: 9784297122263
作品紹介・あらすじ
機械学習の研究開発が急速な勢いで進んでいます。理論研究はもちろん、機械学習手法が実装されたオープンソースのパッケージ開発も進み、それらを実務で利用するためのノウハウも蓄積されてきています。結果として、機械学習をはじめたばかりの入門者でも比較的高い精度の予測モデルを構築できるようになりました。
Deep Learning, Gradient Boosting Decision Tree, Random Forestなどの機械学習モデルは高い予測精度を誇りますが、モデルの解釈性が低いという欠点があります。これらの複雑なブラックボックスモデルにおいて、モデルがなぜそのような予測を行っているのかを知ることは困難ですが、データ分析者自身がモデルの振る舞いを把握し、説明責任を果たすことを実務においては頻繁に求められます。
本書では、このような予測精度と解釈性のトレードオフを克服するための手法について、実務において特に有用と考えるものを厳選して紹介します。本書の構成は以下になります。
1章: 機械学習の解釈性とは
2章: 線形回帰モデルを通して「解釈性」を理解する
3章: 特徴量の重要度を知る Permutation Feature Importance
4章: 特徴量と予測値の関係を知る Partial Dependence
5章: インスタンスごとの異質性を捉える Individual Conditional Expectation
6章: 予測の理由を考える SHapley Additive exPlanations
付録A: R による分析例 tidymodelsとDALEXで機械学習モデルを解釈する
付録B: 機械学習の解釈手法で線形回帰モデルを解釈する
2章では極めて高い解釈性を誇る線形回帰モデルを通して、予測モデルに求められる解釈性について説明します。以降の4つの章では、それらの解釈性をブラックボックスモデルに与えるPFI, PD, ICE, SHAPと呼ばれる手法について解説します。
本書は機械学習の解釈手法を実用して頂くことを目的としています。Pythonでゼロから手法を実装することを通じて解釈手法のアルゴリズムを理解し、実データの分析を通じて解釈手法の勘所を押さえて頂きます。機械学習の解釈手法は強力な反面、使い方を誤ると間違った結論を導いてしまう危険もあります。本書では解釈手法を実用する際の注意点についても丁寧に触れています。
感想・レビュー・書評
-
テーブルデータにおける機械学習の解釈性について、マクロからミクロな解釈手法4種類が説明されている。それぞれの算出方法、使い分け、注意点がまとまっており、実際に使用する際に最低限、理解しておくべきことが1冊で理解できた。
詳細をみるコメント0件をすべて表示 -
変数重要度やSHAP値の理解をすることができた。統計学から入った身としてはこの辺の機械学習特有の概念をちゃんと理解するコンテンツに巡り会ったことがなかったので、大変勉強になった。数式でもわかりやすく示してくれていたのでありがたい。
-
202304
-
類書だと「Interpretable Machine Learning」がありますが、範囲は少し狭まりはするものの日本語で説明もわかりやすく手元にあると助かる一冊です。
数式や実装例を丁寧に追えるのも理解に役立ちます。
「Interpretable Machine Learning」はネットで公開されている翻訳版もありますがそちらは直訳に近く、比較するとこちらの方がだいぶ分かりやすいように感じました。基本的には各手法一長一短な部分があるため、比較しながら気をつけるべき点を抑えられるのがありがたいです。 -
機械学習の解釈性について。
実コードでリスクの段階を分けて解釈性に迫る。
AutoMLの時代は解釈の判断が問われる時代が来るんだなと本書より感じた。
難易度は今の自分には高いが、また迫られたら読み直したい内容。 -
10月新着
東京大学医学図書館の所蔵情報
http://opac.dl.itc.u-tokyo.ac.jp/opac/opac_link/bibid/2003577514 -
東2法経図・6F開架:007.1A/Mo65k//K
-
請求記号 007.1/Mo 65
-
Interpretable Machine Learningというのが現在のホットな領域です。より実践的に機械学習の解釈手法をPythonで実装して、アルゴリズムを理解し分析から急所を捉えるといった構成だったので、機械学習を解釈する方法を学びたい方におすすめの一冊です。
1. 線形回帰モデル
2. Permutation Feature Importance
3. Partial Dependence
4. Individual Conditional Expectation
5. SHapley Additive exPlanations
という流れで構成されており、私は特に後半の Individual Conditional ExpectationとSHapley Additive exPlanationsの章の説明が秀逸と思いました。
https://blacktanktop.hatenablog.com/entry/2021/08/09/112734