【G検定】SHAPとは？ゲーム理論のシャープレイ値で予測への寄与を公平に測る手法を解説
「この予測に、各特徴量はそれぞれ何点ぶん貢献したのか？」——チームの成果を公平に山分けするゲーム理論の考え方(シャープレイ値)で、AIの予測を特徴量ごとの寄与に分解するのがSHAP(SHapley Additive exPlanations)です。G検定の「モデルの解釈性」で最も理論的な背景を持つ手法です。
【G検定】オッカムの剃刀とは？機械学習でシンプルなモデルが好まれる理由
「複雑で高性能そうなモデル」と「シンプルなモデル」、同じくらいの説明力なら、どちらを選ぶべきでしょうか。機械学習の世界には、この問いへの古くからの指針があります。それが「オッカムの剃刀」です。この記事では、この哲学的な指針の意味と、なぜ機械学習で過学習対策の考え方として採用されるのかを解説します。
【G検定】Permutation Importanceとは？特徴量シャッフルで重要度を測る手法を解説
「この特徴量、本当に予測の役に立っているの？」——それを確かめる最も直感的な方法が、その特徴量の値をわざとシャッフルして壊してみることです。壊したときに精度がどれだけ落ちるかで重要度を測るのがPermutation Importance(順列重要度)です。
【G検定】赤池情報量規準(AIC)とは？式の意味とモデル選択の考え方を解説
モデルは複雑にするほど手元のデータには良く当てはまりますが、やり過ぎれば過学習に陥ります。では「ちょうどよい複雑さ」はどう決めればよいのでしょうか。その問いに1つの数式で答えるのが赤池情報量規準(AIC)です。この記事では、AIC = -2logL + 2k という式の意味と、モデル選択での使い方を解説します。
【G検定】LIMEとは？複雑なAIを局所的に単純なモデルで近似して説明する手法を解説
どんなに複雑なAIでも、「この1件の予測の周辺」だけなら単純なモデルで真似できる——この発想で予測の理由を説明するのがLIME(Local Interpretable Model-agnostic Explanations)です。G検定では「局所的」「モデルに依存しない」という2つの性質が問われる、モデルの解釈性の代表手法です。