SHAP Values

SHAP Values는 어떤 prediction에 각 feature들이 얼만큼의 영향을 끼쳤는지를 보여준다.

SHAP의 의미

Shapley additive explanations의 약자.

기본 원리

만약 어떤 모델 $M(f_1,f_2,f_3)$에 대해 어떤 입력 $V$에 대해 $p_v=M(v_1,v_2,v_3)$의 prediction을 구하게 됬다고 하자. 그러면 우리는 기준값(= $f_1,f_2,f_3$의 기댓값) $B$로 구한 prediction $p_b=M(b_1,b_2,b_3)$와 비교해서 얼만큼 차이가 나는지 알 수 있다.

만약 이러한 차이를 만드는데 $v_1$이 얼마나 영향을 줬는지 알고 싶다면, $f_1$ feature를 제외한 나머지 feature $f_2,f_3$에 B또는 V의 원소를 채워넣는 각 조합의 경우마다 ($f_1=v_1$일때의 prediction) - ($f_1=b_1$일때의 prediction)을 구하고 그 결과들의 가중평균을 구하면 된다.

이렇게 구한 값이 입력이 V일때 $v_1$이 가지는 SHAP 값이다. 그리고 V의 모든 원소의 SHAP 값들을 더하면 $p_v-p_b$가 나오게 된다.

SHAP의 종류

SHAP는 그 구현 알고리즘에 따라 여러 종류가 있다. n개의 input Feature를 가지는 모델에서 SHAP 값을 구하면 한 feature에 대해서는 적어도 2^(n-1)개 모든 feature에 대해서는 중복을 제거하고 $2^n$의 prediction을 필요로한다. 따라서 input feature의 수가 많은 경우에 대한 다른 알고리즘을 필요로 하게된다. 그 대표적인게 deep learning model에서 사용하는 deep explainer 그리고 모든 model에서 SHAP 근사값을 빠르게 구할 수 있는 kernel explainer이다.

구현

	import shap
	#Tree, Deep or kernel
	explainer = shap.TreeExplainer(my_model)
	shap_values = explainer.shap_values(single_record)
	shap.initjs()
	shap.force_plot(explainer.expected_value[0], shap_values[0], single_record)

view raw shap.py hosted with ❤ by GitHub

Summary Plots

전체 records에 대한 SHAP values를 구하고 각 feature의 값에 따른 SHAP값을 도표에 나타내면, Feature importance 와 SHAP values를 같이 나타낼 수 있다. 많은 점들이 양쪽 끝에 몰려있을 수록 feature importance가 크다.

	import shap # package used to calculate Shap values
	#tree or deep or kernel
	explainer = shap.TreeExplainer(my_model)
	shap_values = explainer.shap_values(val_X)#전체 record에 대한 shap 값들이 필요하다.
	shap.summary_plot(shap_values[1], val_X)#shap_values[1]는 regression에서 possitive.

view raw summary_plog.py hosted with ❤ by GitHub