预测模型的 Shapley 值了解预测模型中各个独立变量的贡献将是无价的。 目前，我们可以通过预测分析器推断变量对模型的贡献和/或影响，这很好，但能够量化贡献——并且能够逐行量化贡献-row 基础，将是下一个级别。 此功能已被 O&G 行业的客户特别要求，但其应用无处不在。 使用 Python 和 R 等工具可以轻松获取这些值。 让它们在 JMP 的点击式环境中可用将进一步将我们与竞争对手区分开来。 我有多个客户询问如何以可量化的方式获得自变量的个人贡献，其中一些客户专门询问 Shapley 值。
统计和分析回复：预测模型的 Shapley 值@mia_stephens我最近使用的帐户是 Continental Resources（Kendall Sizemore 非常愿意谈论这个），但我也收到了其他 O&G 客户（墨菲、氧）的类似要求，他们守口如瓶. 他们引用了 Novi Labs 的大量工作，这是一家 O&G 行业的 ML 服务公司。 我们目前可以在 JMP 中运行的方法是由@kemal_oflus - 您使用来自线性模型的缩放估计值，使用标准化预测变量预测 ML 模型的差异（ML 模型的平均预测响应与实际响应的差异）。 您可以绘制以 GB 为单位的缩放估计值，以便为您提供响应中给定因素的“权重”。 这最终会告诉您给定因素是对模型产生正面还是负面影响（这很好），但它不能逐行分解为效应，也不能直接应用于 ML 模型，因为在 NN 中不提供缩放估计，学士学位等
一个很棒的解释器，包括数学： https://christophm.github.io/interpretable-ml-book/shapley.html
沙普利解释器： https://www.youtube.com/watch?v=-taOhqkiuIo&ab_channel=MicrosoftDeveloper
Kemal 程序的一些屏幕截图：
基于标准化因子预测平均 ML 模型差异的模型的缩放估计
单个因素的发散（Frac Fluid 参数）
回复：预测模型的 Shapley 值@Peter_Polito和@nick_shelton ，我们是否有任何可以列出的指定客户/帐户，或者我们可以与之交谈的客户（如果需要）？
彼得，你能分享你开发的方法，以及你的示例输出吗？ 此外，如果您有任何关于该主题的最喜欢的参考资料。
我会将这些信息添加到 Jira。
谢谢！
米娅
回复：预测模型的 Shapley 值Shapley 值正迅速成为解释机器学习 (ML) 模型中特征重要性和效应大小的标准。 ML 的一个新兴趋势是摆脱其黑盒声誉，并创建可解释和可信赖的模型。 像 Shapley 值这样的工具可以让模型的预测更加透明和自信。 此功能应适用于 JMP Pro 的所有机器学习模型。
回复：预测模型的 Shapley 值一个如何使用的示例：客户正在使用 JMP Pro 的增强型神经网络来构建 ML 模型。 它们的局限性在于它们量化给定自变量对响应的影响的能力。 例如，如果分析三口井的生产价值，他们可能会发现其中一口表现良好，因为它位于黄金地段，而且他们建造了一口大井，另一口表现一般，因为它位于平庸的位置，但他们设计了这口井效率很高，而三分之一的人做得很差，因为他们选择了一个不好的位置并且没有有效地设计井。 在像 Python 这样的程序中，可以计算提供这种细粒度信息的 Shapley 值，但 JMP 无法做到这一点。 我和一个 SE 同事开发了一种方法来计算我称之为伪 Shapley 的方法，但是这个程序——虽然效果很好——只适用于线性模型，并且缺乏在单个井的基础上分解结果的能力（逐行-排）。 在油气行业，这种能力将无处不在，并为 JMP 在该行业的扩张开辟了道路。
