1

データセットで LSTM ニューラル ネットワーク (Keras パッケージ) を使用しましたが、モデルに依存しない方法を使用して、予測に対する変数の影響を見つけたいと考えています。データセットは 3 次元の配列です。IDごとに可変のタイムステップを持つ、それぞれ独自のシーケンスを持つ複数のIDがあります。私のデータセットの形状は次のようになります: (18610, 151, 18) (ID、時間ステップ、変数) および 1 つの時間ステップでの 1 つの ID の変数出力は次のようになります (予測クラス 1):

[2.00000000e+00 0.00000000e+00 2.10544316e-03 1.56082309e-03
 0.00000000e+00 1.01647775e-01 0.00000000e+00 4.28571559e-01
 6.95422174e-01 8.52459016e-01 1.20027614e-01 1.00000000e+00
 0.00000000e+00 0.00000000e+00 0.00000000e+00 0.00000000e+00
 0.00000000e+00 1.00000000e+00] 1

すべてのモデルに依存しないメソッド (私が見つけた限り) は、これらの 3 次元の配列データ セットでは機能しません。モデルを解釈できるように、変数の効果を見つける方法はありますか (Lime、部分依存プロット、または Shapley を使用しますか?)。全体的な解釈を調べるには、部分依存プロットを使用することをお勧めします。

これを行う方法を知っている人はいますか(サンプルコード付き)? よろしくお願いします！

4

1 に答える 1

0

モデルにとらわれない方法がどのような目的で必要なのかはわかりませんが、機能のランキングに使用します。データの形状 (18610、151、18) は 3D です。モデルに依存しないSHAPメソッドを使用でき、データに最適です。

于 2021-08-13T12:25:58.230 に答える