モデルの解釈可能性

機械学習でのモデルの解釈可能性とは

機械学習アルゴリズムの解釈可能性とは、結果に至るために用いるプロセスを人間がどれだけ簡単に理解できるかを表します。最近まで、人工知能（AI）アルゴリズムは「ブラックボックス」でした。内部プロセスを把握する方法はなく、得られたインサイトを規制機関や関係者に説明することは困難でした。

ロジスティック回帰など一部の統計的モデルは比較的単純だと考えられており、解釈可能性は高くなりますが、特徴量を追加したり、より複雑な機械学習モデル（ディープラーニングなど）を使用すると、解釈可能性はより複雑になっていきます。

モデルの解釈可能性が重要である理由

アルゴリズムの結果を使用してリスクの高い決定を下す場合、モデルがどの特徴量を考慮に入れ、どの特徴量を考慮に入れなかったかを把握しておくことが重要です。さらに、モデルの解釈可能性がそれほど高くない場合、企業はプロセスを変更するためにインサイトを利用することを法的に許可されない場合もあります。銀行、保険、医療といった規制の厳しい業界では、規制や業界のベストプラクティスを遵守するためには、導き出される結果に貢献した要因を理解できることが重要です。

モデルの解釈可能性 + DataRobot

DataRobot には、人間にとって解釈可能性が高いモデルを生成できる以下のような複数のコンポーネントが用意されています。

• モデルブループリントは、各モデルが結果に到達するために用いる前処理のステップについてインサイトを提供します。これにより、DataRobot を使用して構築するモデルを正当化し、必要に応じて規制当局にそれらのモデルを説明することができます。
• 予測の説明では、各レコードでのモデルの結果に影響を与える主要変数が示されるため、モデルが結論に達した理由を正確に説明できます。
• 特徴量のフィッティンググラフでは、予測値と実際の値が比較され、重要度に基づいて並べ替えが行われるため、各特徴量に対するモデルの適合度を評価できます。
• 特徴量の効果グラフでは、どの特徴量がモデルに最も影響し、各特徴量の値の変化がモデルの結果にどのように影響するかが示されます。

DataRobot は、モデルの解釈可能性の強化に取り組むことで、モデルのリスクを最小限に抑え、すべての企業が規制とベストプラクティスを簡単に遵守できるようにしています。