• 2023年04月26日(水) 10:30 ~ 17:30

１．機械学習の解釈手法とは

　　（１）．なぜ機械学習の解釈手法が重要なのか

　　（２）．機械学習の解釈手法とは

　　（３）．この講義で用いる数式の記法

　　（４）．線形回帰モデルを通して「解釈性」を理解する

　　（５）．線形回帰モデルの導入

　　（６）．最小二乗法による回帰係数の推定

　　（７）．線形回帰モデルが備える解釈性

　　（８）．ブラックボックスモデルとしてのRandom Forest

　　（９）．線形回帰モデルの利点と注意点

２．特徴量の重要度を知る　～Permutation Feature Importance～

　　（１）．モチベーションとPermutation Feature Importance（PFI）導入

　　（２）．Permutation Feature Importance

　　（３）．Leave One Covariate Out Feature Importance（LOCOFI）

　　（４）．Grouped Permutation Feature Importance（GPFI）

　　（５）．PFIは因果関係として解釈できるか

　　（６）．PFIは訓練データとテストデータのどちらで予測精度を評価するべきか

　　（７）．PFI以外の特徴量重要度 特徴量重要度を用いたモデルの軽量化

　　（８）．PFIの利点と注意点

３．特徴量と予測値の関係を知る　～Partial Dependence～

　　（１）．モチベーションとPartial Dependence（PD）の導入

　　（２）．PDのアルゴリズム：PDの具体例

　　（３）．PDは因果関係として解釈できるか

　　（４）．PDがうまくいかない例①交互作用がある場合

　　（５）．PDがうまくいかない例②特徴量が強く相関する場合

　　（６）．PDの利点と注意点

４．インスタンスごとの異質性を捉える　～Individual Conditional Expectation～

　　（１）．モチベーションとIndividual Conditional Expectation（ICE）の導入

　　（２）．交互作用とPDの限界：ICEで交互作用を捉える ICEの解釈と注意点

　　（３）．CPDで推定結果を安定させる ICEの利点と注意点

５．特徴量の相関に対処する　～Accumulated Local Effects～

　　（１）．特徴量の相関とPDの限界

　　（２）．Conditional Dependence

　　（３）．Accumulated Local Effects（ALE）の利点と注意点

６．予測の理由を考える　～SHapley Additive exPlanations～

　　（１）．モチベーションとSHapley Additive exPlanations（SHAP）の導入

　　（２）．協力ゲーム理論とShapley値

　　（３）．Shapley値を機械学習へ応用

　　（４）．さまざまなSHAPの利用法

　　（５）．SHAPの利点と注意点

７．機械学習の解釈手法で線形回帰モデルを解釈する

　　（１）．Permutation Feature Importance

　　（２）．Partial Dependence

　　（３）．Individual Conditional Expectation

　　（４）．Accumulated Local Effects

　　（５）．SHapley Additive exPlanations

８．機械学習の解釈手法を応用する①　～CM接触回数と製品認知のモデリング～

　　（１）．課題設定

　　（２）．CM接触回数と製品認知のモデリング

　　（３）．製品認知に対する貢献度の分解：Shapley値を応用する

　　（４）．シミュレーション例

９．機械学習の解釈手法を応用する②　～リーチの貢献度を分解する～

　　（１）．課題設定

　　（２）．モデルの定式化

　　（３）．リーチの貢献度の分解

オンラインセミナー