この記事について

下記で、不動産価格予測（回帰モデル）を可視化しました。

• 機械学習モデルを「見える化」するShapashを触ってみた

上記では、可視化を詳しくは扱っていなかったので、

• Jupyter上でのインラインでの可視化について扱っていきたいと思います
• 題材は、前回が回帰だったので、今回は分類（Titanic）にしてみたいと思います。

具体的には、Shapashで下記のような作図を行います。

まずは準備

前回と同じように、データをロードし、機械学習モデルを作成してから、可視化を進めます。

機械学習モデルの作成

# Import
import pandas as pd
from category_encoders import OrdinalEncoder
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from shapash.data.data_loader import data_loading
from category_encoders import OrdinalEncoder

# 今回は分類なのでtitanicをロードします
titanic_df, titanic_dict = data_loading('titanic')

# Xとyに分けます
y_df=titanic_df['Survived'].to_frame()
X_df=titanic_df[titanic_df.columns.difference(['Survived'])]

# カテゴリー値を探して
categorical_features = [col for col in X_df.columns if X_df[col].dtype == 'object']

# エンコードしておきます
encoder = OrdinalEncoder(
    cols=categorical_features,
    handle_unknown='ignore',
    return_df=True).fit(X_df)

X_df=encoder.transform(X_df)

# 学習用・予測用にデータ分離し
Xtrain, Xtest, ytrain, ytest = train_test_split(X_df, y_df, train_size=0.75, random_state=7)

# Xgbで学習します
clf = XGBClassifier(n_estimators=200,min_child_weight=2).fit(Xtrain,ytrain)

# 予測も作っておきます
y_pred = pd.DataFrame(clf.predict(Xtest),columns=['pred'],index=Xtest.index).astype(int)

Explainerの作成（可視化の準備）

前回と同様に、SmartExplainerに対して、

• features_dict
  • 特徴量（列名）に対するデータの説明をdictで渡します
• label_dict
  • 予測対象は今回分類なので、結果が0:Death、1:Survivalで表現されています。
  • 0,1のままで扱っても良いのですが、labelが振られていたほうが見やすいですので、ここで指定しておきます

from shapash.explainer.smart_explainer import SmartExplainer
response_dict = {0: 'Death', 1:'Survival'}
xpl = SmartExplainer(
    features_dict=titanic_dict, # 特徴量の説明を指定
    label_dict=response_dict    # 結果ラベルを指定
)

そして、前回と同じように、説明変数、分類モデル、前処理に利用したエンコーダ、予測結果を指定してコンパイルします。

xpl.compile(
    x=Xtest,
    model=clf,
    preprocessing=encoder, 
    y_pred=y_pred
)

モデルの可視化

年齢と生存

xpl.plot.contribution_plot(col='Age',label='Survival')

出来上がったモデルについて、年齢と生存の関係性を可視化してみたいと思います。

• 横軸に、乗客の年齢をとり
• 縦軸に、予測の貢献度（Contribution）を取ります¹
• そして、予測モデルで算出した生存確率（Predicted Proba）が色で示されます（赤が生存確率が高い）²

とりあえず、言えそうなことは、現状の予測モデルは、

10歳以下のセグメントの生死の要因

10歳以下のセグメントの生死の要因を確認してきたいと思います。
下記のようにZoomし、マウスオーバでデータのIDを確認することができます。

ここでは、下記の２つのデータに着目してみたいと思います

id:51（7歳）の確認

xpl.plot.local_plot(index=51)

• 年齢＝７歳は、生存確率²に対して、貢献しています。
• 一方で、「Relatives such as brother or wife（兄弟や妻などの親戚）」が、4と突出しています。
• 実際の因果は別の方法含め正確に検討する必要がありますが、モデル上は、この4という数字が生存確率²を大きく引き下げています。

id:298（2歳）の確認

下記の要素により、生存確率²が高いと予測されています。

• 年齢が2歳であること
• Ticketのクラスが、First classであること。（ちなみに、上記のid:51はThird class）
• 性別が、女性であること

xpl.plot.local_plot(index=298)

両者の比較

xpl.plot.compare_plot(index=[51,206])

上記の議論で、作成したモデルがどういったロジックで生存確率²を決めているか？雰囲気は理解出来たとおもうのですが、両者を比較しておこうと思います。
こうみてみると、「Relatives such as brother or wife（兄弟や妻などの親戚）」の影響が大きいです。

「Relatives such as brother or wife」の軸で確認

xpl.plot.contribution_plot(
    "Relatives such as brother or wife",
    violin_maxf=1 #デフォルト10以下でViolin_plotになるが見ずらいので1に設定
)

やはり、この数値が大きいほうが、

• 死亡率に対する貢献（説明性）が高く（縦軸で下の方）、生存確率²が低い（色が青）という結果になります。

ただ、データが少数なので、本当に上記の解釈で良いかはもう少し議論が必要かもしれません。
（データの作成過程や選択バイアス等の再確認）

Ticket classでの比較

xpl.plot.contribution_plot(col='Ticket class',label='Survival')

上記で確認してきたとおり、

• 生存に対して、first_class,second_classというのは説明の貢献度が高いです。（生存しやすい）
• 一方で、死亡に対しては、first,second,thirdだからということはなく、ほかの要因と合わせて死亡確率²が高くなる

といった状況でしょう。

まとめ

前回とは異なる分類について、jupyterにinlineする形で可視化を行い、作成したモデルの「見える化」を行いました。
データの解釈については、若干怪しいところはあったかもしれませんが、、、
Shapashでは、ほぼ１行で様々な軸の可視化できる点は、ご理解いただけたかと思います。
なにかあれば、コメントを。あと、よろしければ、LGTM頂ければ幸いです。