Понимание значений Шепли для машинного обучения
Лучший способ для специалиста по данным или инженера по машинному обучению изучить значения Шепли — начать с основ.
В недавней беседе кто-то заметил, что значения Шепли для атрибуции признаков довольно туманны по сравнению с другими методами. Это уравнение также может быть пугающим.
Однако математика, стоящая за значениями Шепли, вероятно, проще по сравнению с другими методами. Чтобы изучить математику и интуицию, лежащие в основе ценностей Шепли, начните с простого. Не ищите руководств или объяснений в отношении машинного обучения или атрибуции функций. Ищите более фундаментальные объяснения.
Итак, не ищите «машинное обучение shapley»; ищите «вычислить значения Шепли», «значения Шепли python» (или ваш язык по выбору) или просто «значения Шепли».
Несколько замечательных ресурсов для изучения и применения ценностей Шепли:
— Отличное интуитивное объяснение: Кооперативные игры и ценность Шепли
Лектор в приведенном выше видео, @drvinceknight , также помог реализовать Shapley Values в Sage, математической библиотеке с открытым исходным кодом, построенной на python: https://github.com/theref/sage-game-theory
- Более математическое, но фундаментальное объяснение: GTO-7–03: Значение Шепли.
Еще один способ изучить ценности Шепли — прочитать о приложениях, не связанных с машинным обучением:
— Ценности Шепли, применяемые к управлению аэропортом, с кодом и четкими пояснениями: http://www.quantatrisk.com/2018/06/02/shapley-value-allocation-operational-risk-capital-airport-problem/
— Применительно к маркетинговой атрибуции: https://medium.com/data-from-the-trenches/marketing-attribution-e7fa7ae9e919
