AI用語集
人工知能の完全辞典
部分依存プロット
1つまたは2つの特徴量とモデルの予測値との間の限界的な関係を示す可視化手法で、他のすべての特徴量の影響を平均化することで基礎的な傾向を明らかにします。この技術は、特定の変数の変化がモデルの全体的な予測にどのように影響するかを理解するのに役立ちます。
特徴量ヒートマップ
色を使用して、異なる特徴量がモデルの予測に与える重要性や影響力を可視化する2次元のグラフィカル表現です。色の強度が影響の程度を示し、最も影響力のある変数を迅速に特定することができます。
SHAPダイアグラム
SHAP値（SHapley Additive exPlanations）に基づく可視化で、各特徴量が基本値から最終予測値へ予測をシフトさせるためにどのように寄与するかを示します。これらのグラフは、各変数の正または負の影響を定量化することで、個々の予測を解釈することを可能にします。
ICEプロット（個別条件付き期待値）
特定の特徴量を変化させながら個々のインスタンスに対するモデルの予測をプロットする可視化手法で、変数間の関係における不均一性を明らかにします。平均効果を示すPDPプロットとは異なり、ICEプロットは個々のレベルでの変動を示します。
LIME決定マップ
LIME（Local Interpretable Model-agnostic Explanations）によって生成される可視化で、局所的に解釈可能なモデルを作成し、重要な特徴量を可視化することで個々の予測を説明します。この技術により、モデルが特定のケースでなぜ特定の決定を行うのかを理解することができます。
順列重要度の可視化
特徴量の値がランダムに並べ替えられたときにモデルの性能がどの程度低下するかを測定して計算された特徴量の重要性を表す棒グラフです。この方法は、予測に対する実際の影響に基づいた、モデルに依存しない変数重要性の評価を提供します。
ROC曲線とAUC
異なる分類閾値における真陽性率と偽陽性率の関係を表すグラフで、AUC（曲線下面積）は分類器の全体的な性能を定量化します。この可視化により、選択された閾値に関係なくモデルの識別能力を評価・比較することができます。
カスケードダイアグラム
異なる特徴量の寄与がどのように累積してモデルの最終予測に到達するかを示す逐次的可視化で、財務のウォーターフォール図に似ています。各バーは、最終予測に対する特徴量の正または負の影響を表します。
ローカルフォースプロット
各特徴量がモデルの予測を期待されるベースライン値からより高い値またはより低い値にどのように押し上げるかを示す視覚的表現。力は方向と影響の大きさを示す色付きの矢印またはバーで表されます。
調整可能な意思決定可視化
入力特徴量の値を動的に調整し、これらの変更がモデルの予測にどのように影響するかをリアルタイムで観察できるインタラクティブなインターフェース。これらのツールは複雑な関係の探索とモデルの感度分析を容易にします。
アンカー意思決定マップ
モデルが予測を維持するための十分条件を特定するアンカー説明に基づく可視化で、if-thenルールの形で提示されます。これらのマップは予測を固定する重要な特徴量を示すことで、局所的な決定領域の理解を助けます。
依存関係ダイアグラム
入力特徴量とモデルの予測間の関係と依存性を、多くの場合点密度と組み合わせて示す二次元または三次元のグラフ。これらのダイアグラムはデータ内の非線形相互作用と複雑な相関関係を明らかにします。
意思決定等高線プロット
分類モデルの決定境界を色付きの等高線または表面で示す二次元または三次元の可視化。これらのプロットは、モデルが分類を行うために特徴量空間をどのように分割するかを理解することを可能にします。
反事実的可視化
モデルの予測を望ましい異なる結果に変更するために必要な入力特徴量の最小限の変更を示すグラフィカルな表現。これらの可視化は限界条件の理解と仮想的なシナリオの探求を助けます。
回帰木
回帰問題に特化した決定木の変種で、モデルが特徴量空間を目標値が一定の領域にどのように分割するかを可視化します。各葉はその領域内の目標値の平均を表し、非線形関係の解釈を容易にします。
意思決定フローダイアグラム
モデルの逐次的な意思決定プロセスを、決定点、可能なアクション、期待される結果を論理的な流れの形で示す概略図。これらのダイアグラムは複雑なアルゴリズムを段階的に理解可能なプロセスに変換します。
感度マップ
2つの特徴量を同時に変更した際に、モデルの予測が体系的にどのように変化するかをグリッドまたはサーフェスで可視化したもの。これらのマップは変数間の相互作用を明らかにし、特徴空間内の高感度領域を特定する。
グローバル重要度可視化
モデル全体における特徴量の重要度を順位付けして表示する総合的なグラフで、通常は正規化されたスコア付きの水平バーで表される。この概要図により、モデルの全体的な予測において最も影響力のある要因を素早く特定できる。