予測モデルのシャープレイ値予測モデルにおける個々の独立変数の寄与を理解することは非常に貴重です。 現在、予測プロファイラーを介してモデルに対する変数の寄与および/または効果を推測できます。これは素晴らしいですが、寄与を定量化することができ、行ごとに寄与を定量化することができます。 -行ベース、次のレベルになります。 この機能は、O＆G業界の顧客から特に要求されていますが、そのアプリケーションはどこにでもあります。 これらの値は、PythonやRなどのツールを使用して簡単に取得できます。 JMPのポイントアンドクリック環境でそれらを利用できるようにすると、競合他社からさらに分離されます。 独立変数の個々の寄与を定量化可能な方法で取得する方法について複数の顧客から質問があり、特にシャープレイ値について質問する顧客もいます。
統計と分析Re：予測モデルのシャープレイ値@mia_stephens私が最近使用しているアカウントはContinentalResourcesです（Kendall Sizemoreはこれについてチャットすることをいとわないでしょう）が、もう少しタイトな他のO＆Gの顧客（Murphy、Oxy）から同様のリクエストがありました。 彼らは、O＆G業界のMLサービス会社であるNoviLabsによる多くの仕事を引用しています。 現在JMPで実行できるメソッドは、 @kemal_oflus -標準化された予測子を使用して、MLモデルの発散（MLモデルからの平均予測応答と実際の応答の差）を予測する線形モデルからのスケーリングされた推定値を使用します。 スケーリングされた推定値をGBでプロットして、応答の特定の因子の「重み」を与えることができます。 これは最終的に、特定の要因がモデルにプラスまたはマイナスの影響を与えるかどうかを示します（これは素晴らしいです）が、行ごとの効果に分解することも、スケーリングされた推定値がNNで利用できないため、MLモデルに直接適用することもできません。 BSなど
数学を含む素晴らしい説明者： https://christophm.github.io/interpretable-ml-book/shapley.html
シャープレイの説明者： https://www.youtube.com/watch?v=-taOhqkiuIo&ab_channel=MicrosoftDeveloper
Kemalの手順からいくつかの画面を取得します。
平均MLモデルの発散を予測する標準化された要因に基づいて構築されたモデルからのスケーリングされた推定
単一因子の発散（Frac流体パラメーター）
Re：予測モデルのシャープレイ値@Peter_Politoと@nick_shelton 、リストできる名前付きの顧客/アカウント、または（必要に応じて）話すことができる顧客はありますか？
ピーター、あなたが開発した方法とあなたの出力例を教えていただけますか？ また、トピックに関するお気に入りのリファレンスがあれば。
この情報をJiraに追加します。
ありがとう！
ミア
Re：予測モデルのシャープレイ値シャープレイ値は、機械学習（ML）モデルの特徴の重要性と効果量を解釈するための標準になりつつあります。 MLの新たなトレンドは、ブラックボックスの評判から離れ、解釈可能で信頼できるモデルを作成することです。 シャープレイ値のようなツールは、モデルの予測をより透過的かつ自信を持って行う機能を提供します。 この機能は、JMPProのすべての機械学習モデルで利用できる必要があります。
Re：予測モデルのシャープレイ値これがどのように使用されるかの例：顧客は、JMPProのブーストされたニューラルネットを使用してMLモデルを構築しています。 それらが制限されているのは、応答に対する特定の独立変数の影響を定量化する能力です。 たとえば、3つの井戸の生産値を分析すると、1つは一等地にあり、優れた井戸を建設したため、1つは良好に機能していることがわかり、もう1つは平凡な場所にあるため、設計されています。井戸は非常に効率的であり、3番目は悪い場所を選択し、井戸を効率的に設計しなかったためにうまくいっていません。 Pythonのようなプログラムでは、この詳細な情報を提供するShapley値を計算できますが、JMPはこれを実行できません。 仲間のSEと私は、疑似シャープレイと呼ぶものを計算する方法を開発しましたが、この手順は非常にうまく機能しますが、線形モデルにのみ適用可能であり、単一のウェルベースで結果を分解する機能がありません（行ごと） -行）。 O＆G業界では、この機能はどこにでも展開可能であり、この業界での拡張のためにJMPを開きます。
