⑤ ディープラーニングの応用例 ／ 33. モデルの解釈性
SHAPとは
SHAPとは、シャープレイ値にもとづき、各特徴量の予測への寄与度を公平に分解する手法です。局所・大域の両方の解釈が可能な点が特徴です。
この用語はG検定シラバスの「33. モデルの解釈性」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
各特徴量が予測にどれだけ貢献したかを、公平なルールで分配する手法です。
シャープレイ値とは
もともとは協力ゲーム理論の概念です。複数人で協力して得た利益を貢献度に応じて公平に分配する方法を定めたものです。
SHAPはこれを特徴量に当てはめます。「その特徴量があるとき／ないとき」の差を組み合わせごとに評価し、理論的に裏づけのある公平な寄与度を求めます。
LIMEとの違い
| 手法 | 特徴 |
|---|---|
| SHAP | 理論的に公平。局所も大域も解釈可能。計算コストが大きい |
| LIME | 局所のみ。高速だが近似の安定性に課題 |
個々の予測の説明にも、モデル全体の傾向の把握にも使える点がSHAPの強みです。
計算量への対処
厳密なシャープレイ値の計算は特徴量の全組み合わせを必要とし、現実的ではありません。
そこで近似計算や、決定木系モデル専用の高速な計算法が用意されています。これが実用化を支えています。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| SHAP | 局所も大域も解釈可能。理論的に公平 |
| LIME | 局所のみ。高速だが不安定なことがある |
🎯 G検定での押さえどころ
- シャープレイ値にもとづく寄与度の分解
- 局所・大域の両方を解釈できる
- 理論的に公平だが計算コストが大きい
⚠️ よくある誤りの選択肢
- 「SHAPは局所的な説明しかできない」→ 誤り。大域的な解釈も可能です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「モデルの近似」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。