CumulativeFeatureImpactPlot
CumulativeFeatureImpactPlot[model,data]
data の各特徴の値の累積的インパクトを model の結果の上にプロットする．
CumulativeFeatureImpactPlot[model]
合成データを使って特徴インパクトを推定する．
CumulativeFeatureImpactPlot[modelfname,…]
指定された特徴 fname のインパクトだけをプロットする．
CumulativeFeatureImpactPlot[modelfnameclass,…]
分類 class に対するインパクトだけをプロットする．
詳細とオプション
- CumulativeFeatureImpactPlotは，例の特徴値が回帰や分類等の機械学習モデルの結果にどのように貢献したのかを解釈するために使われる．
- 特徴のインパクトは，通常，さもなければ「ブラックボックス」になってしまう機械学習アルゴリズムの決定過程に対する洞察を与え，モデルの内部動作を理解し，望まないバイアスを阻止する等のために使われる．
- すべての例について，各特徴のインパクトがモデルの結果を完全に説明できるようになるまで累積される．
- 次は，model の可能な値である．
-
ClassifierFunction[…] 分類モデル PredictorFunction[…] 回帰モデル FittedModel[…] 記号的フィットモデル - 予測器の結果についての最終的なインパクトは予測平均からの偏差である．
- 分類機についての最終的なインパクトは特定のクラスについての対数オッズの事前確率からの偏差である．
- 次は，data の可能な値である．
-
example 単一の例 {example1,…} 例のList，Associationまたは Dataset LearnDistribution[…] 合成例を生成する分布 Automatic モデルの欠落代入法を使って例を生成する - data が与えられていない場合は，モデルの欠落代入法を使って合成例が生成される．
- 次は，fname の可能な値である．
-
All すべての特徴のインパクト（デフォルト） feature feature のインパクトのみ {feature1,…} featureiのリストのインパクト - 次は，model がClassifierFunction[…]のときの class の可能な値である．
-
All すべてのクラスについてのインパクト（デフォルト） name name というクラスについてのインパクトのみ {name1,…} nameiのリストについてのインパクト - FeatureImpactPlotにはGraphicsと同じオプションに以下の追加・変更を加えたものが使える． [全オプションのリスト]
-
AspectRatio 1/GoldenRatio 縦横比 Axes True 軸を描くかどうか AxesLabel Automatic 軸のラベル DataRange Automatic データに仮定する x の値の範囲 IntervalMarkers Automatic 不確かさをどのように描画するか IntervalMarkersStyle Automatic 不確かな要素のスタイル Filling None 各点の幹をどのように塗り潰すか FillingStyle Automatic 塗潰しのスタイル Joined True 点を繋ぐかどうか LabelingFunction Automatic 点にどのようにラベルを付けるか LabelingSize Automatic コールアウトとラベルの最大サイズ MultiaxisArrangement None データのついての複数の軸の配置方法 PerformanceGoal $PerformanceGoal 最適化しようとするパフォーマンスの局面 PlotLabel Automatic プロットの全体的なラベル PlotLabels Automatic データのラベル PlotLayout "Overlaid" データの配置方法 PlotLegends None データの凡例 PlotMarkers None 各点を識別するためのマーカー PlotRange Automatic 含める値の範囲 PlotRangeClipping True プロット範囲で切り取るかどうか PlotStyle Automatic 点のスタイルを決定するグラフィックス指示子 PlotTheme $PlotTheme プロットの全体的なテーマ ScalingFunctions Automatic 個々の座標をどのようにスケールするか TargetUnits Automatic プロット内に表示する単位
全オプションのリスト
例題
すべて開く すべて閉じる例 (2)
examples = {{0.66, False} -> 3.3, {0.95, False} -> 4.75, {0.87, False} -> 4.35, {0.79, True} -> 1.95, {0.34, True} -> -0.3, {0.88, True} -> 2.4, {0.56, True} -> 0.8, {0.07, True} -> -1.65, {0.41, False} -> 2.05, {0.06, False} -> 0.3};predictor = Predict[examples]CumulativeFeatureImpactPlot[predictor, {{0, True}, {0, False}, {1, True}, {1, False}}]タイタニック号の生存者のデータ集合について分類モデルを訓練する：
data = ResourceData["Sample Data: Titanic Survival"];model = Classify[data -> "SurvivalStatus", Method -> "GradientBoostedTrees"]"SurvivalStatus"クラスは3つの特徴について予測される：
First[data]いくつかの例について"survived" 分類に対するすべての特徴の累積的インパクトを可視化する：
CumulativeFeatureImpactPlot[model -> All -> "survived", {<|"Class" -> "1st", "Age" -> Quantity[20, "Years"], "Sex" -> "female"|>, <|"Class" -> "2nd", "Age" -> Quantity[10, "Years"], "Sex" -> "female"|>,
<|"Class" -> "2nd", "Age" -> Quantity[5, "Years"], "Sex" -> "male"|>, <|"Class" -> "3rd", "Age" -> Quantity[50, "Years"], "Sex" -> "male"|>}]スコープ (4)
model = Predict[{{1.3, "P"} -> 1, {1.8, "Q"} -> 2.5, {1.9, "Q"} -> 3, {0.2, "P"} -> 1, {-3.2, "P"} -> -4.2, {0.3, "Q"} -> 2}]CumulativeFeatureImpactPlot[model, {{1, "Q"}, {2, "P"}, {-1, "Q"}}]model = Classify[{{1.5, Blue} -> "A", {3.2, Blue} -> "A", {4.1, Red} -> "B", {5.3, Red} -> "B", {10., Green} -> "C", {12.4, Red} -> "C"}]CumulativeFeatureImpactPlot[model, {{1.5, Blue}, {5, Blue}, {1.5, Red}, {5, Red}}]model = Predict[{{1.3, "P"} -> 1, {1.8, "Q"} -> 2.5, {1.9, "Q"} -> 3, {0.2, "P"} -> 1, {-3.2, "P"} -> -4.2, {0.3, "Q"} -> 2}]CumulativeFeatureImpactPlot[model]model = Classify[{{1.5, Blue} -> "A", {3.2, Blue} -> "A", {4.1, Red} -> "B", {5.3, Red} -> "B", {10., Green} -> "C", {12.4, Red} -> "C"}]CumulativeFeatureImpactPlot[model -> All -> "A", {{1.5, Blue}, {5, Blue}, {1.5, Red}, {5, Red}}]CumulativeFeatureImpactPlot[model -> All -> {"A", "C"}, {{1.5, Blue}, {5, Blue}, {1.5, Red}, {5, Red}}]アプリケーション (1)
モデル解析 (1)
モデルがボトルワインの内部的な採点に指標する特徴を分析する：
winedata = ResourceData["Sample Data: Wine Quality"];predictor = Predict[winedata -> "WineQuality"]10例を使って結果に対するボトルワインの特徴の累積的インパクトを可視化する：
sample = RandomSample[winedata, 10];CumulativeFeatureImpactPlot[predictor, sample]bestbymodel = TakeLargestBy[winedata, predictor, 50];ほとんどのワインはアルコール含有量だけで高得点を得ているが，得点が最も高かった数種類は揮発性酸度によって決定されている：
CumulativeFeatureImpactPlot[predictor, bestbymodel]以下は，最高の訓練スコアでの動作を反映していないモデルスコアの特徴である：
CumulativeFeatureImpactPlot[predictor, TakeLargestBy[winedata, "WineQuality", 50]]テキスト
Wolfram Research (2022), CumulativeFeatureImpactPlot, Wolfram言語関数， https://reference.wolfram.com/language/ref/CumulativeFeatureImpactPlot.html.
CMS
Wolfram Language. 2022. "CumulativeFeatureImpactPlot." Wolfram Language & System Documentation Center. Wolfram Research. https://reference.wolfram.com/language/ref/CumulativeFeatureImpactPlot.html.
APA
Wolfram Language. (2022). CumulativeFeatureImpactPlot. Wolfram Language & System Documentation Center. Retrieved from https://reference.wolfram.com/language/ref/CumulativeFeatureImpactPlot.html