預測模型的 Shapley 值了解預測模型中各個獨立變量的貢獻將是無價的。 目前，我們可以通過預測分析器推斷變量對模型的貢獻和/或影響，這很好，但能夠量化貢獻——並且能夠逐行量化貢獻-row 基礎，將是下一個級別。 此功能已被 O&G 行業的客戶特別要求，但其應用無處不在。 使用 Python 和 R 等工具可以輕鬆獲取這些值。 讓它們在 JMP 的點擊式環境中可用將進一步將我們與競爭對手區分開來。 我有多個客戶詢問如何以可量化的方式獲得自變量的個人貢獻，其中一些客戶專門詢問 Shapley 值。
統計和分析回复：預測模型的 Shapley 值@mia_stephens我最近使用的帳戶是 Continental Resources（Kendall Sizemore 非常願意談論這個），但我也收到了其他 O&G 客戶（墨菲、氧）的類似要求，他們守口如瓶. 他們引用了 Novi Labs 的大量工作，這是一家 O&G 行業的 ML 服務公司。 我們目前可以在 JMP 中運行的方法是由@kemal_oflus - 您使用來自線性模型的縮放估計值，使用標準化預測變量預測 ML 模型的差異（ML 模型的平均預測響應與實際響應的差異）。 您可以繪製以 GB 為單位的縮放估計值，以便為您提供響應中給定因素的“權重”。 這最終會告訴您給定因素是對模型產生正面還是負面影響（這很好），但它不能逐行分解為效應，也不能直接應用於 ML 模型，因為在 NN 中不提供縮放估計，學士學位等
一個很棒的解釋器，包括數學： https://christophm.github.io/interpretable-ml-book/shapley.html
沙普利解釋器： https://www.youtube.com/watch?v=-taOhqkiuIo&ab_channel=MicrosoftDeveloper
Kemal 程序的一些屏幕截圖：
基於標準化因子預測平均 ML 模型差異的模型的縮放估計
單個因素的發散（Frac Fluid 參數）
回复：預測模型的 Shapley 值@Peter_Polito和@nick_shelton ，我們是否有任何可以列出的指定客戶/帳戶，或者我們可以與之交談的客戶（如果需要）？
彼得，你能分享你開發的方法，以及你的示例輸出嗎？ 此外，如果您有任何關於該主題的最喜歡的參考資料。
我會將這些信息添加到 Jira。
謝謝！
米婭
回复：預測模型的 Shapley 值Shapley 值正在迅速成為解釋機器學習 (ML) 模型中特徵重要性和效果大小的標準。 ML 的一個新興趨勢是擺脫其黑盒聲譽，並創建可解釋和可信賴的模型。 像 Shapley 值這樣的工具可以讓模型的預測更加透明和自信。 此功能應適用於 JMP Pro 的所有機器學習模型。
回复：預測模型的 Shapley 值一個如何使用的示例：一位客戶正在使用 JMP Pro 的增強神經網絡來構建一個 ML 模型。 它們的局限性在於它們量化給定自變量對響應的影響的能力。 例如，如果分析三口井的生產價值，他們可能會發現其中一口表現良好，因為它位於黃金地段，而且他們建造了一口好井，另一口表現一般，因為它位於平庸的位置，但他們設計了這口井效率很高，而三分之一的人做得很差，因為他們選擇了一個不好的位置並且沒有有效地設計井。 在像 Python 這樣的程序中，可以計算提供這種細粒度信息的 Shapley 值，但 JMP 無法做到這一點。 我和一個 SE 同事開發了一種方法來計算我稱之為偽 Shapley 的方法，但是這個程序——雖然效果很好——只適用於線性模型，並且缺乏在單個井的基礎上分解結果的能力（逐行-排）。 在油氣行業，這種能力將無處不在，並為 JMP 在該行業的擴張開闢了道路。
回复：預測模型的 Shapley 值 - 狀態更改為：開發中目前正在開發中，可在 JMP 17 EA 中使用。
回复：預測模型的 Shapley 值 - 狀態更改為：是的，敬請期待！JMP 17 在這方面做了大量工作，將於 2022 年 10 月發貨。 標記為“是的，敬請期待”，期望在發貨日期到來時有人會將其標記為“已交付”。
