機械学習を解釈する技術 予測力と説明力を両立する実践テクニック

森下光之助

基本情報

ジャンル
ISBN/カタログNo
ISBN 13 : 9784297122263
ISBN 10 : 429712226X
フォーマット
出版社
発行年月
2021年08月
日本
追加情報
:
255p;22

内容詳細

あらゆる予測モデルを解釈する4つの手法PFI、PD、ICE、SHAP/特徴量の重要度/特徴量と予測値の関係性/インスタンスごとの異質性/予測の理由―そのモデルの振る舞いを説明できますか?

目次 : 1章 機械学習の解釈性とは/ 2章 線形回帰モデルを通して「解釈性」を理解する/ 3章 特徴量の重要度を知る―Permutation Feature Importance/ 4章 特徴量と予測値の関係を知る―Partial Dependence/ 5章 インスタンスごとの異質性をとらえる―Individual Conditional Expectation/ 6章 予測の理由を考える―SHapley Additive exPlanations/ 付録A Rによる分析例―tidymodelsとDALEXで機械学習モデルを解釈する/ 付録B 機械学習の解釈手法で線形回帰モデルを解釈する

【著者紹介】
森下光之助 : 東京大学大学院経済学研究科で計量経済学を用いた実証分析を学び、経済学修士号を取得。株式会社グリッドに入社し、機械学習を用いたデータ分析プロジェクトに従事。現在はTVISION INSIGHTS株式会社で執行役員兼データ・テクノロジー本部副本部長。テレビデータの分析、社内データの利活用の促進、データ部門のマネジメントを行っている(本データはこの書籍が刊行された当時に掲載されていたものです)

(「BOOK」データベースより)

ユーザーレビュー

総合評価

☆
☆
☆
☆
☆

0.0

★
★
★
★
★
 
0
★
★
★
★
☆
 
0
★
★
★
☆
☆
 
0
★
★
☆
☆
☆
 
0
★
☆
☆
☆
☆
 
0

読書メーターレビュー

こちらは読書メーターで書かれたレビューとなります。

powered by

  • ぶうやそ さん

    予測モデルの用途は予測と解釈である。シンプルな線形回帰モデルは予測精度はそこそこであるが、解釈性が高い。逆にディープニューラルネットワークを始めとする複雑な機械学習モデルは予測精度を高められる分、解釈性が犠牲となりやすい。つまり予測精度と解釈性はトレードオフの関係にあるのだ。本書では、ブラックボックス化しやすい機械学習モデルを解釈する手法を解説してくれている。紹介されている手法はPFI、PD、ICE、SHAPの4つ。解釈性の高い線形回帰モデルを比較のベースとして解説されており、理解しやすい構成であった。

  • ti さん

    よかった。 統計は説明、機械学習は予測…で割り切っていてはあかんな… そう語るにしても、本書の内容は頭に入れておくべき。 本の構成がきれい。 最近はテーブル弄ってばかりなので、早速活用したい。

  • しんばら さん

    よかった。機械学習モデルの解釈性をマクロ(モデルと特徴量)からミクロ(インスタンスごとの予測結果に対する特徴量の貢献度)まで順を追って説明してくれる。最も理解しやすい重回帰を足がかりにしたり、都度都度数式やスクラッチ実装で計算内容を解説してくれるので、自分のような「SHAPという単語は知ってても原理は理解していない」みたいなステータスの人間にはぴったりだった。統計検定2級レベルでsklearn偶に使う、くらいのレベル感ならすんなり読めると思う。

レビューをもっと見る

(外部サイト)に移動します

人物・団体紹介

人物・団体ページへ

森下光之助

東京大学大学院経済学研究科で計量経済学を用いた実証分析を学び、経済学修士号を取得。株式会社グリッドに入社し、機械学習を用いたデータ分析プロジェクトに従事。現在はTVISION INSIGHTS株式会社で執行役員兼データ・テクノロジー本部副本部長。テレビデータの分析、社内データの利活用の促進、データ部

プロフィール詳細へ

建築・理工 に関連する商品情報

おすすめの商品