Nguồn tham khảo: Aas, K., Jullum, M., & Løland, A. (2021). Explaining individual predictions when features are dependent: More accurate approximations to Shapley values. Artificial Intelligence, 298, 103502. https://doi.org/10.1016/j.artint.2021.103502
Truy cập toàn văn: https://doi.org/10.1016/j.artint.2021.103502
Tóm tắt nội dung
Kjersti Aas, Martin Jullum và Anders Løland xử lý một hạn chế khi giải thích từng dự báo bằng giá trị Shapley, khái niệm từ lý thuyết trò chơi dùng để chia phần đóng góp của mỗi đặc trưng vào một dự báo cụ thể. Khung này có nhiều tính chất lý thuyết mong muốn và về nguyên tắc dùng được cho mọi mô hình. Kernel SHAP xấp xỉ giá trị Shapley hiệu quả khi số chiều lớn, nhưng giả định các đặc trưng độc lập với nhau.
Khi đặc trưng tương quan, phép tính dùng cả những tổ hợp dữ liệu phi thực tế nên lời giải thích có thể sai lệch nặng, kể cả với mô hình tuyến tính. Nhóm tác giả mở rộng Kernel SHAP cho đặc trưng phụ thuộc: giá trị của các đặc trưng vắng mặt được lấy theo phân phối có điều kiện dựa trên các đặc trưng đã biết. Qua nhiều ví dụ với mô hình tuyến tính và phi tuyến ở các mức phụ thuộc khác nhau, phương pháp mới cho xấp xỉ sát giá trị Shapley thật hơn.
Dữ liệu sinh viên thường có đặc trưng tương quan mạnh, như điểm trung bình học kỳ, số tín chỉ tích lũy, số môn trượt và tỷ lệ chuyên cần. Nếu dùng Kernel SHAP mặc định, mức đóng góp gán cho từng yếu tố có thể bị méo; bài báo là căn cứ để xử lý tương quan trước khi dùng SHAP tư vấn cho từng sinh viên.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Aas, Jullum và Løland (2021) chỉ ra các cách ước lượng giá trị Shapley phổ biến giả định các biến độc lập; khi biến tương quan mạnh (như số học phần đăng ký, số học phần đạt và điểm trung bình ở đây), giải thích có thể dựa trên những tổ hợp dữ liệu phi thực tế.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp