누가 귀사에서 서비스를 취소할지 예측하는 임무를 맡은 적이 있습니까? 또는 어떤 환자가 약물을 중단할 것인가? 아니면 어떤 개인이 신제품의 얼리 어답터가 될까요? 동일한 방법으로 이러한 비즈니스 질문에 답할 수 있습니다. 신중하게 데이터를 준비하고 다양한 모델을 구축하여 비교하고 특정 통계 기준에 따라 최상의 모델을 선택할 수 있습니다. 케이크 조각 맞죠? 아마도.
그러나 예측에 대한 주요 기여 요인을 정확히 찾아내야 하는 경우에는 어떻게 해야 합니까? 하나의 사람? 일부 모델링 알고리즘은 이에 대해 쉽게 대답하지 못합니다. 전통적인 회귀 모델은 각 매개변수 추정치에 대한 계수가 포함된 방정식이 있기 때문에 이러한 종류의 질문에 답하는 데 적합합니다. 트리 기반 알고리즘이나 신경망과 같은 더 복잡한 모델은 어떻습니까? 개별 예측을 설명하는 것은 더 복잡하고 종종 설명하기 어렵습니다. 그리고 이렇게 복잡한 알고리즘 중 하나가 많은 경우에 결과를 예측하는 데 더 신뢰할 수 있지만 종종 이해 관계자는 귀하의 노력을 폐기합니다.
두 세계의 장점을 모두 얻을 수 있다면 어떨까요? 최고의 성능을 발휘하는 모델과 개별 예측 확률을 이해관계자에게 쉽게 설명하여 작업이 비즈니스 도구로 사용될 수 있는 더 나은 기회를 가질 수 있는 방법입니다. JMP 17의 새로운 기능인 Shapley Values를 만나보세요.
Shapley Values는 이러한 상황을 해결하기 위해 우리 모두가 찾고 있던 솔루션을 제공합니다. 이러한 값은 모델의 각 요인이 행 수준까지 미치는 영향을 정량화합니다. 평균 예측을 기준선으로 사용하여 데이터의 각 행을 요인별로 확률의 합계로 나눌 수 있습니다. 이것은 Sean이 약을 중단할 확률이 79%이며 일반 환자와 비교할 때 그가 중단할 가능성이 있는 주된 이유는 나이 때문이라고 말할 수 있습니다.
이것이 왜 그렇게 큰 일입니까? Shapley Values가 없으면 관심 있는 모집단의 결과에 대한 추진 요인에 대해 더 일반적으로 말할 수 있지만 유사한 특성을 가진 개인을 비교하고 그들 사이의 예측이 다른 이유를 이해하는 것은 그렇게 간단하지 않습니다. 트리 기반 알고리즘에서 예측 공식은 개별 리프 또는 트리를 기반으로 생성됩니다. 그리고 솔직히 말해서 그들은 꽤 지저분해질 수 있습니다. Shapley Values는 예측을 각 요인에 대한 개별 기여로 분류하여 이 문제를 해결합니다. 이는 리프별, 트리별 또는 노드별 대신 전체 모델을 살펴봅니다.
이 새로운 기능을 탐색하려면 어떻게 시작해야 합니까? 간단 해. 프로파일러를 모델 결과에 추가하고 Shapley 값 저장 옵션을 선택합니다. 이렇게 하면 각 요인/반응 수준 조합에 대한 개별 열이 데이터 테이블에 저장됩니다.
따라서 다음에 이해 관계자가 약사의 행동이나 마케팅 전략에 의해 영향을 받을 수 있는 요인을 기반으로 약을 중단할 가능성이 가장 높은 환자를 정확히 찾아낼 수 있는지 물을 때 어떤 일이 있어도 예라고 대답할 수 있다고 확신할 수 있습니다. 생성 중인 모델의 유형입니다.
