XAI/MLI 可解釋機器學習系列1- 開源&paper彙總

語言: CN / TW / HK
時間 2022-10-10 21:15:30

持續創作，加速成長！這是我參與「掘金日新計劃 · 10 月更文挑戰」的第3天，點選檢視活動詳情

一直在關注可解釋領域，因為確實在工作中有許多應用

  • 模型檢查，特徵重要性是否符合預期和AUC一樣重要
  • 模型解釋，比起虛無縹緲的模型指標，解釋模型學到的規律更能說服業務方
  • 樣本解釋，為什麼這些使用者會違約，是否有指標能提前預警？
  • 決策歸因，有時模型只是提取pattern的方式，最終需要給到歸因/決策，例如HTE模型和XAI結合是否也是一種落地方式

18年被H2O Driverless AI 提供的可解釋機器學習引擎（下圖）種草後，就對這個領域產生了興趣。不過用的越多，XAI暴露的問題就越多，比如特徵的微調可能會導致整個特徵解釋發生翻天覆地的變化，再比如表現很好的模型會給出完全不能理解的特徵解釋。不過在接觸因果推理後希望可以換個視角來看XAI，於是重新撿起這個系列(挖坑慎入，這是一個18年就開始挖，到現在都沒有填完的坑)～

Algo & paper

開源庫每個演算法只提供了一個，大多是原作者或者我用過的，並不一定是start最多的，要是你知道better source歡迎留言喲～

|演算法|paper|GitHub| |---|---|---| |Permutation Importance|【1】|eli5| |Feature Importace|計算方法有多種【2】|LGB/XGB/sklearn自帶| |Surrogate Model|【3】|h2o.ai| |Local interpretable model_agnostic explanations（LIME）|【4】|lime| |Leave one covariate out(LOCO)|【5】|h2o.ai | |Individual Conditional Expectation(ICE)|【6】| PDPbox| |Partial Dependence Plot(PDP)|【7】|PDPbox| |shapley/SHAP|【8】【9】【10】|shap| |DeepLift|【11】| deeplift| |Layerwise Relevance Propagation（LRP）|【12】|LRP demo| |Integrated Gradients|【13】|Integrated-Gradients|

【1】Breiman, 2001, Random Forests

【2】方法有很多可以找xgb/lgb文件來看

【3】Osbert Bastani, Carolyn Kim, and Hamsa Bastani, 2017. Interpreting Blackbox Models via Model Extraction.

【4】Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. Why should I trust you?: Explaining the predictions of any classifier. 2016

【5】Jing Lei, Max G’Sell, Alessandro Rinaldo, Ryan J. Tibshirani, and Larry Wasserman, 2016, Distribution-Free Predictive Inference For Regression

【6】Goldstein, Alex, et al, 2015, Peeking inside the black box: Visualizing statistical learning with plots of individual conditional expectation.

【7】J. H. Friedman, 2001, Greedy function approximation: a gradient boosting machine

【8】Lundberg, Scott M., and Su-In Lee, 2017. A unified approach to interpreting model predictions

【9】Lundberg, Scott M., Gabriel G. Erion, and Su-In Lee, 2018. Consistent individualized feature attribution for tree ensembles.

【10】Sundararajan, Mukund, and Amir Najmi, 2019, The many Shapley values for model explanation

【11】 Avanti Shrikumar, Peyton Greenside, and Anshul Kundaje, 2017 . Learning important features throughpropagating activation differences

【12】Sebastian Bach, Alexander Binder, Grégoire Montavon, Frederick Klauschen, Klaus-Robert Müller,and Wojciech Samek, 2015. On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation

【13】Mukund Sundararajan, Ankur Taly, and Qiqi Yan, 2017. Axiomatic attribution for deep networks

Tutorial

以下tutorial不同程度覆蓋了上述演算法，這兩年的只能看paper咯。

推薦第一本，據說是LMU2019年學生研討會的作業彙總。。。引入了因果的概念來分析在哪些情況下XAI會cheating，雖然大多是點到即止沒有深入，不過指出的一些坑命中率還是很高的>_< ，有一句話記憶很深刻 可解釋演算法解釋的是模型學到了什麼，而非實際資料表現如何

  1. Limitations of Interpretable Machine Learning Methods
  2. Interpretable Machine Learning, A Guide for Making Black Box Models Explainable.
  3. OREILLY, Ideas on interpreting machine learning
  4. Kaggle, Machine Learning Explainability
  5. H2O AI, An-Introduction-to-Machine-Learning-Interpretability-Second-Edition
  6. MLI-source
  7. h2o.ai interpretable_machine_learning_with_python
  8. h2o.ai awesome-machine-learning-interpretability

XAI的難度不在理解演算法本身，而是演算法和資料結合時，你需要知道什麼時候演算法會fail, 以及在模型解釋不如預期的時候如何追查原因。說白了就是要在玄學中找規律。。。所以後面我們會找個資料集來試試看

持續更新中～

「」
「」