模型可解釋性

  • 發行項

本文描述方法供您用於 Azure Machine Learning 中的模型可解釋性。

重要

隨著包含模型可解釋性的負責任 AI 儀表板發行，建議您改為使用新版本，因為舊版的 SDKv1 預覽模型可解釋性儀表板將不再主動維護。

模型可解釋性對模型偵錯的重要性

若機器學習模型的使用方式會影響到人們的生活，就一定要了解什麼因素會影響到模型的行為。 可解譯性有助於回答下列案例中的問題，例如：

  • 模型偵錯：為什麼我的模型會犯下這個錯誤？ 如何改善模型？
  • 人類 AI 共同作業：該如何瞭解及信任模型的決策？
  • 法規合規性：我的模型是否符合法律需求？

負責任 AI 儀表板的可解釋性元件，能對機器學習模型的預測產生人類可理解的敘述，以此方式參與模型生命週期工作流程的「診斷」階段。 其會針對模型行為提供多種觀點：

  • 全域說明：例如，哪些特徵會影響貸款配置模型的整體行為？
  • 局部說明：例如，客戶的貸款申請為何通過核准或遭到拒絕？

您也可以觀察所選世代的模型說明，作為資料點的子群組。 舉例來說，在評估模型預測對特定人口統計群組中的個人的公平性時，這種方式就相當有價值。 此元件的 [局部說明] 索引標籤也會呈現完整的資料視覺效果，非常適合一般的資料檢視工作，並且可注意每個世代的正確預測與不正確預測之間的差異。

此元件的功能是由 InterpretML 封裝所建立，其會產生模型的說明。

當您有以下需求時，請使用可解譯性：

  • 藉由瞭解對於預測而言最重要的功能，判斷您的 AI 系統預測值得信任的程度。
  • 為了處理您的模型偵錯，請先了解模型，並確認模型是否使用良好的特徵，或只是假性相互關聯。
  • 了解模型是否是根據敏感性特徵或高度相互關聯的特徵進行預測，以找出潛在的不公平性來源。
  • 產生局部說明以描述其結果，建立使用者對模型決策的信任。
  • 完成 AI 系統的法規稽核，以驗證模型並監視模型決策對人類的影響。

如何解讀模型

在機器學習中，「特徵」是用來預測目標資料點的資料欄位。 例如，若要預測信用風險，可能會使用年齡、帳戶規模和帳戶存留期的資料欄位。 在此案例中，年齡、帳戶規模和帳戶存留期都是特徵。 透過特徵重要度，可看出每個資料欄位如何影響模型的預測。 例如，雖然可能在預測期間大量使用到年齡，帳戶規模和帳戶存留期可能不會對預測值產生重大影響。 透過此流程，資料科學家在解釋產生的預測結果，可採取能讓專案關係人清楚了解模型最重要特徵的方式。

使用負責任 AI 儀表板中的類別和方法，以及使用 SDK v2 和 CLI v2，可做到以下幾點：

  • 產生整個模型 (全域說明) 及/或個別資料點 (局部說明) 的特徵重要度值，以解釋模型預測。
  • 在大規模真實資料集上達成模型可解釋性。
  • 在定型階段，使用互動式視覺效果儀表板來探索資料模式及其說明。

使用 SDK v1 中的類別與方法，可做到以下幾點：

  • 產生整個模型及/或個別資料點的特徵重要度值，以解釋模型預測。
  • 在定型和推斷期間，在大規模真實資料集上達成模型可解釋性。
  • 在定型階段，使用互動式視覺效果儀表板來探索資料模式及其說明。

注意

模型可解譯性類別是由 SDK v1 套件提供。 如需詳細資訊，請參閱安裝適用於 Azure Machine Learning 的套件和 azureml.interpret。

支援的模型可解釋性技術

負責任 AI 儀表板與 azureml-interpret 使用的是 Interpret-Community 中開發的可解釋性技術。這是開放原始碼 Python 封裝，用於定型可解釋模型，並協助說明黑箱 AI 系統。 黑箱模型即是我們不具有內部作業資訊的模型。

Interpret-Community 可作為以下支援解釋器的主機，且目前支援下一節中介紹的可解譯性技術。

在 Python SDK v2 及 CLI v2 中的負責任 AI 儀表板支援

可解譯性技術 描述 類型
模仿解釋器 (全域代理) + SHAP 樹狀 模仿解釋器以定型全域代理模型的概念為基礎來模仿黑箱模型。 全域代理模型是一種本質上可解釋的模型，經過定型以盡可能準確接近任何黑箱模型的預測。

資料科學家可以解讀代理模型，以得出黑箱模型的結論。 負責任 AI 儀表板會使用 LightGBM (LGBMExplainableModel) 與 SHAP (SHapley Additive exPlanations) 樹狀解釋器配對，這是樹狀與樹狀集成的專用解釋器。 LightGBM 和 SHAP 樹狀的組合，提供不限機器學習模型的全域和局部說明。		 模型無關

文字模型支援的模型可解釋性技術

可解譯性技術 描述 類型 文字工作
SHAP 文字 SHAP (SHapley Additive exPlanations) 是深度神經網路的熱門說明方法，可提供每個輸入功能對指定預測貢獻的深入解析。 它以 Shapley 值的概念為基礎，這是在合作遊戲中將信用指派給個別玩家的方法。 SHAP 將這個概念套用至神經網路的輸入特徵，方法是計算每個特徵對模型所有可能特徵組合的平均貢獻。 具體來說，SHAP 會以階層方式分割單字，將每個單字或權杖視為特徵。 這會產生一組屬性值，以量化指定預測的每個單字或權杖的重要性。 透過將這些值視覺化為原始文字文件上的熱度圖，產生最終的屬性對應。 SHAP 是一種與模型無關的方法，可用來說明廣泛的深度學習模型，包括 CNN、RNN 及轉換器。 此外，它提供數個理想的屬性，例如一致性、精確度及公平性，使其成為一種可靠且可解譯的技術，以瞭解模型的決策流程。 模型無關 文字多類別分類、文字多標籤分類

映像模型支援的模型可解釋性技術

可解譯性技術 描述 類型 視覺工作
SHAP 視覺 SHAP (SHapley Additive exPlanations) 是深度神經網路的熱門說明方法，可提供每個輸入功能對指定預測貢獻的深入解析。 它以 Shapley 值的概念為基礎，這是在合作遊戲中將信用指派給個別玩家的方法。 SHAP 將這個概念套用至神經網路的輸入特徵，方法是計算每個特徵對模型所有可能特徵組合的平均貢獻。 具體來說，SHAP 會以階層方式分割映像，將映像的超像素區域視為每個特徵。 這會產生一組屬性值，以量化每個超像素或映像區域對於指定預測的重要性。 最終屬性對應是藉由將這些值視覺化為熱度圖來產生。 SHAP 是一種與模型無關的方法，可用來說明廣泛的深度學習模型，包括 CNN、RNN 及轉換器。 此外，它提供數個理想的屬性，例如一致性、精確度及公平性，使其成為一種可靠且可解譯的技術，以瞭解模型的決策流程。 模型無關 映像多類別分類、映像多標籤分類
引導式反向傳播 引導式反向傳播是深度神經網路的熱門說明方法，可提供模型所學習表示法的深入解析。 它會藉由計算輸出的漸層來計算輸入映像的漸層，以產生可啟動模型中特定神經元的輸入特徵視覺效果。 與其他以漸層為基礎的方法不同，引導式反向傳播只會透過正漸層進行反向傳播，並使用修改後的 ReLU 啟用函式來確保負漸層不會影響視覺效果。 這會產生更具解譯且高解析度的對應，以醒目提示指定預測輸入映像中最重要的特徵。 引導式反向傳播可用來說明廣泛的深度學習模型，包括卷積神經網路 (CNN)、遞歸神經網路 (RNN) 及轉換器。 AutoML 映像多類別分類、映像多標籤分類
引導式 gradCAM 引導式 GradCAM 是深度神經網路的熱門說明方法，可提供模型所學習表示法的深入解析。 它透過將基於漸層的引導式反向傳播方法與 GradCAM 的當地語系化方法相結合，產生對特定輸出類別貢獻最大輸入特徵的視覺效果。 具體來說，它會計算輸出類別的漸層相對於網路中最後一個卷積層的特徵對應，然後依據該類別啟用的重要性來加權每個特徵對應。 這會產生高解析度熱度圖，以醒目提示指定輸出類別輸入映像的最具辨別力區域。 引導式 GradCAM 可用來說明廣泛的深度學習模型，包括 CNN、RNN 及轉換器。 此外，藉由納入引導式反向傳播，可確保視覺效果有意義且可解譯，避免虛假啟用和負面貢獻。 AutoML 映像多類別分類、映像多標籤分類
整合式漸層 整合式漸層是深度神經網路的熱門說明方法，可提供每個輸入功能對指定預測貢獻的深入解析。 它會計算輸出類別相對於輸入映像的漸層整數，沿著基準映像與實際輸入映像之間的直線路徑。 此路徑通常會選擇為兩個映像之間的線性插補，而基準是沒有突出特徵的中性映像。 整合此路徑上的漸層，整合式漸層會提供每個輸入特徵對預測貢獻方式的量值，讓屬性對應產生。 此地圖會醒目提示最具影響力的輸入功能，並可用來深入瞭解模型的決策流程。 整合式漸層可用來說明廣泛的深度學習模型，包括 CNN、RNN 及轉換器。 此外，它是一種理論上的基礎技術，可滿足一組理想的屬性，例如敏感度、實作不變性及完整性。 AutoML 映像多類別分類、映像多標籤分類
XRAI XRAI 是以整合式漸層為基礎的新區域型理念方法。 它會過度分割影像，並反覆測試每個區域的重要性，並依據屬性分數將較小的區域聯合成較大的區段。 該策略產生了高品質、緊密邊界的顯著區域，其效能優於現有的顯著技術。 只要有辦法透過某些相似度計量將輸入功能叢集到區段，XRAI 就可以與任何 基於 DNN 的模型搭配使用。 AutoML 映像多類別分類、映像多標籤分類
D-RISE D-RISE 是一種與模型無關的方法，可針對物件偵測模型的預測建立視覺說明。 藉由同時考慮物件偵測的當地語系化和分類層面，D-RISE 可以產生能識別出最能預測偵測器之映像部分的對應。 不同於以漸層為基礎的方法，D-RISE 比較普遍，不需要存取物件偵測器的內部工作；它只需要存取模型的輸入和輸出。 方法可以套用至一階段偵測器 (例如 YOLOv3)、雙階段偵測器 (例如 Faster-RCNN) 及視覺轉換器 (例如 DETR、OWL-ViT)。
D-Rise 會藉由建立輸入映像的隨機遮罩來提供顯著對應，並將它傳送至具有輸入映像隨機遮罩的物件偵測器。 藉由評估物件偵測器分數的變更，它會彙總每個遮罩的所有偵測，並產生最終的對應。		 模型無關 物件偵測

Python SDK v1 支援

可解譯性技術 描述 類型
SHAP 樹狀解釋器 SHAP 的樹狀解釋器，著重於樹狀和樹狀集成專用的多項式快速時間 SHAP 值估計演算法。 模型專用
SHAP 深度解釋器 根據 SHAP 的說明，深度解釋器是「深度學習模型中 SHAP 值的高速近似演算法，是依據 SHAP NIPS 文件所述的 DeepLIFT 關係所建構而成。 支援 TensorFlow 模型和使用 TensorFlow 後端的 Keras 模型 (也初步支援 PyTorch)。」 模型專用
SHAP 線性解釋器 SHAP 線性解釋器計算線性模型的 SHAP 值，並選擇性解釋特徵間的相互關聯。 模型專用
SHAP 核心解釋器 SHAP 核心解釋器使用特殊加權的局部線性迴歸來估計任何模型的 SHAP 值。 模型無關
模仿解釋器 (全域代理) 模仿解釋器以定型全域代理模型的概念為基礎來模仿黑箱模型。 全域代理模型是一種本質上可解釋的模型，經過定型以盡可能準確接近「任何黑箱模型」的預測。 資料科學家可以解讀代理模型，以得出黑箱模型的結論。 您可以使用下列其中一個可解釋模型作為代理模型：LightGBM (LGBMExplainableModel)、線性迴歸 (LinearExplainableModel)、隨機梯度下降解釋模型 (SGDExplainableModel)，或決策樹 (DecisionTreeExplainableModel)。 模型無關
排列特徵重要度解釋器 排列特徵重要度 (PFI) 是用來說明分類和迴歸模型的技術，靈感得自於 Breiman 的隨機樹系文件 (英文)(請參閱第 10 節)。 概括而言，其運作方式是一次一個特徵將整個資料集的資料隨機洗牌，並計算所關注效能計量的變動幅度。 變更愈大，該特性愈重要。 PFI 可以說明任何基礎模型的整體行為，但不說明個別預測。 模型無關

除了上述可解釋性技術，我們還支援另一種 SHAP 型的解釋器，稱為表格式解釋器。 視模型而定，表格式解釋器會使用其中一種支援的 SHAP 解釋器：

  • 適用於所有樹狀式模型的樹狀解釋器
  • 適用於深度神經網路 (DNN) 模型的深度解釋器
  • 適用於線性模型的線性解釋器
  • 適用於所有其他模型的核心解釋器

表格式解釋器也會比直接 SHAP 解釋器更大幅增強特徵和效能：

  • 初始化資料集摘要：當最看重解釋的速度時，我們會對初始化資料集做摘要處理，並產生一小組具有代表性的樣本。 此方法可加速產生整體和個別的特徵重要度值。
  • 取樣評估資料集如果您傳入大量的評估樣本，但實際上並不需要評估所有樣本，您可以將取樣參數設為 true，以加快整體模型說明的計算速度。

下圖顯示所支援解釋器的目前結構：

Diagram of Machine Learning Interpretability architecture.

支援的機器學習模型

SDK 的 azureml.interpret 封裝支援依下列資料集格式定型的模型：

  • numpy.array
  • pandas.DataFrame
  • iml.datatypes.DenseData
  • scipy.sparse.csr_matrix

說明函式接受模型和管線做為輸入。 如果提供模型，則模型必須實作符合 Scikit 慣例的預測函式 predict 或 predict_proba。 如果模型不支援，您可以將模型包裝成函式，以產生與 Scikit 中的 predict 或 predict_proba 相同的結果，然後搭配選取的解釋器來使用該包裝函式。

如果提供的是管線，則說明函式會假定執行中管線指令碼會傳回預測。 使用此包裝技術，azureml.interpret 可以支援透過 PyTorch、TensorFlow 和 Keras 深度學習架構定型的模型，以及傳統的機器學習模型。

本機和遠端計算目標

azureml.interpret 封裝主要用於本機和遠端計算目標。 如果在本機執行封裝，SDK 函式不會接觸任何 Azure 服務。

您可以在 Azure Machine Learning Compute 上遠端執行說明，並將說明資訊記錄到 Azure Machine Learning 的執行歷程記錄服務。 記錄此資訊之後，Azure Machine Learning 工作室上就有來自說明的報告和視覺效果供使用者分析。

下一步