Shapley Values: 개별 예측 확률 설명귀하의 회사에서 서비스를 취소할 사람이 누구인지 예측하는 임무를 맡은 적이 있습니까? 아니면 어떤 환자가 약물 치료를 중단할까요? 아니면 어떤 개인이 신제품의 얼리 어답터가 될까요? 동일한 방법으로 이러한 비즈니스 질문에 답할 수 있으며, 신중하게 데이터를 준비하고 다양한 모델을 구축하여 특정 통계 기준에 따라 최상의 모델을 비교하고 선택할 수 있습니다. 케이크 조각 맞죠? 아마도.
하지만 예측에 영향을 미치는 주요 요인을 정확히 찾아내려면 어떻게 해야 할까요? 하나의 사람? 일부 모델링 알고리즘은 이에 쉽게 답하지 않습니다. 전통적인 회귀 모델은 각 매개변수 추정에 대한 계수가 포함된 방정식이 있기 때문에 이러한 종류의 질문에 대답하는 데 적합합니다. 트리 기반 알고리즘이나 신경망과 같은 더 복잡한 모델의 경우는 어떻습니까? 개별 예측을 설명하는 것은 더 복잡하고 설명하기 어려운 경우가 많습니다. 그리고 이러한 더 복잡한 알고리즘 중 하나가 많은 경우 결과를 예측하는 데 더 신뢰할 수 있음에도 불구하고 이해 관계자가 귀하의 노력을 폐기하는 경우가 많습니다.
두 세계의 장점을 모두 얻을 수 있다면 어떨까요? 최고의 성능을 발휘하는 모델이자 이해관계자에게 개별 예측 확률을 쉽게 설명하여 작업이 비즈니스 도구로 사용될 수 있는 더 나은 기회를 제공하는 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 수량화합니다. 평균 예측을 기준으로 사용하여 각 데이터 행을 요인별 확률 합계로 분류할 수 있습니다. 이는 Sean이 약물 치료를 중단할 확률이 79%라고 말할 수 있으며, 평균 환자와 비교할 때 그의 약물 중단 가능성이 있는 주요 이유는 그의 나이입니다.
이것이 왜 그렇게 큰 일입니까? Shapley Values가 없으면 관심 모집단의 결과에 대한 추진 요인에 대해 더 일반적으로 말할 수 있지만 유사한 특성을 가진 개인을 비교하고 예측이 왜 다른지 이해하는 것은 그리 간단하지 않습니다. 트리 기반 알고리즘에서는 개별 잎이나 나무를 기반으로 예측 공식이 생성됩니다. 그리고 솔직하게 말하면 꽤 지저분해질 수도 있습니다. Shapley Values는 예측을 각 요인에 대한 개별 기여로 분류하여 잎별, 나무별 또는 노드별 대신 전체 모델을 살펴봄으로써 이 문제를 해결합니다.
이 새로운 기능을 탐색하려면 어떻게 시작해야 합니까? 간단 해. 모델 결과에 프로파일러를 추가하고 Shapley Values 저장 옵션을 선택하세요. 그러면 각 요인/반응 수준 조합에 대한 데이터 테이블에 개별 열이 저장됩니다.
따라서 다음에 이해관계자가 약사의 행동이나 마케팅 전략에 의해 영향을 받을 수 있는 요인을 기반으로 약을 중단할 가능성이 가장 높은 환자를 정확히 찾아낼 수 있는지 물을 때 무슨 일이 있어도 그렇다고 대답할 수 있다고 확신할 수 있습니다. 생성 중인 모델 유형입니다.
예측에 영향을 미치는 주요 요인을 정확히 찾아내려면 어떻게 해야 합니까? 하나의 사람? 일부 모델링 알고리즘은 이에 쉽게 답하지 않습니다. 일부 방법은 가능합니다. 샤플리 가치를 입력하세요.
예측 모델링 및 기계 학습Re: Shapley Values: 개별 예측 확률 설명이는 훌륭한 옵션이며 많은 모델에서 사용할 수 있다는 점이 마음에 듭니다(이전 버전에서는 XGBoost 추가 기능만 SHAP 값을 생성할 수 있었습니다).
그러나 현재 옵션은 매우 느립니다. 더 작은 데이터 세트에서도 시도해 보았지만 JMP가 응답하지 않는 경우가 종종 있었습니다. 저는 뒤에서 실행되는 코드를 더 빠르게 만들기 위해 병렬화 최적화에 집중할 것을 제안합니다. 지금은 이렇게 느린 속도로 인해 소프트웨어가 충돌할 가능성이 더 높습니다.
Re: Shapley Values: 개별 예측 확률 설명@크리스틴브래드포드 이 실제 사례를 공유해 주셔서 감사합니다!
Re: Shapley Values: 개별 예측 확률 설명공유해 주신 Kristen에게 감사드립니다.
BR.
필립
Re: Shapley Values: 개별 예측 확률 설명@jpol 틀림없이! 이 예제는 기능을 명확하고 간결하게 설명하기 위해 모의/샘플 데이터로 만들어졌습니다. 첨부된 데이터 테이블의 734행은 내 스크린샷의 Sean에 해당합니다. 이 기능에 대해 더 궁금한 점이 있으면 알려주시기 바랍니다. 이는 소프트웨어에 최근 추가된 가장 흥미로운 기능 중 하나입니다(내 생각에는!).
감사합니다,
크리스틴
Re: Shapley Values: 개별 예측 확률 설명Shapley Values에 관한 이 기사를 작성해 주신 Kristen에게 감사드립니다.
내 노트북에서 동일한 예제를 실행하기 위해 여기에 사용된 데이터 테이블을 게시해 주시겠습니까?
감사해요,
필립
Re: Shapley Values: 개별 예측 확률 설명@dmmdiego 공연에 대한 피드백 감사드립니다. 이 내용을 JMP 기술 지원( support@jmp.com 으로 이메일 보내기)과 공유하고 성능이 느리거나 응답하지 않는 경우의 예를 제공해 주시겠습니까? 이는 우리가 개발에 참여하여 향후 릴리스에서 더 나은 버전을 만들 수 있도록 유도할 것입니다. 이메일에 이 게시물을 복사하고 여기에 대한 대화가 있었다고 언급해 주세요.
건배,
@PatrickGiuliano (JMP 기술 지원)
예시: Shapley Values: 개별 예측 확률 설명이 예에서는 의사결정나무 모델을 사용하여 최종 분석 결과를 직접 제공할 수 있습니까?
감사해요!
답변: Shapley Values: 개별 예측 확률 설명그 결과 나온 작업 단계를 그림에서 찾았습니다.
하지만 JSL로 직접 이 작업을 할 수 있다면 어떨까요?
전문가 여러분 감사합니다! 
