# 予測の説明の概要

> 予測の説明の概要 - SHAPとXEMPの予測説明は、変数が行ごとの予測に及ぼす影響の定量的指標を提供します。テキストの説明は、特徴量内の影響力がある特定の単語を識別します。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-15T05:55:44.954680+00:00` (UTC).

## Primary page

- [予測の説明の概要](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [SHAPベースまたはXEMPベースの選択](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#shap-or-xemp-based-methodology): In-page section heading.
- [例](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#examples): In-page section heading.
- [機能に関する注意事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#feature-considerations): In-page section heading.
- [予測の説明と特徴量のインパクトの方法](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#prediction-explanation-and-feature-impact-methods): In-page section heading.
- [XEMP](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#xemp): In-page section heading.
- [SHAP](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#shap): In-page section heading.

## Documentation content

予測の説明 は、行ごとに予測を左右する要素を示します。予測の説明は、特徴量が予測に及ぼす影響の定量的指標を提供し、特定のモデルが特定の予測を行った理由を示します。 モデルが特定の予測を行った理由を理解して、予測が意味があるかどうかを検定することが可能になります。 これは、人間のオペレーターがモデルの決定を評価する必要がある場合や、モデルビルダーがモデルが期待どおりに機能することを確認する必要がある場合に特に重要です。 たとえば、「なぜモデルは94.2%の再入院の可能性を示すのか？」 （その他の例を [以下](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#examples) に示します。）

DataRobotは、予測の説明を計算するための2つの方法を提供します。SHAP（SHapley値）およびXEMP（eXemplar-based Explanations of Model Predictions）。

> [!NOTE] DataRobot ClassicでSHAPを有効にする
> DataRobot Classic UIでは、同じインサイトが生成されても異なる結果が返される可能性がある場合の混乱を避けるため、プロジェクト開始前に [高度なオプション](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/adv-opt/additional.html.md) でSHAPを有効にする必要があります。

DataRobotはテキスト特徴量に固有の [テキスト予測の説明](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-text.html.md) も提供します。これは、単語レベルでテキストとそのモデルへの影響を理解するのに役立ちます。 テキスト予測の説明は、XEMPとSHAPの両方の方法をサポートしています。

予測の説明にアクセスして有効化するには、リーダーボードでモデルを選択し、 解釈 >予測の説明 をクリックします。

予測の説明を使用する際の [考慮事項](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/predex-overview.html.md#feature-considerations) を参照してください。

## SHAPベースまたはXEMPベースの選択

SHAPとXEMPの両方は、特定の行のターゲットにどの機能が強くまたは弱く影響するかを推定します。 通常、2つの方法では同様の結果を得られますが、説明の 値 は異なります（方法が異なるため）。 以下のリストは、いくつかの違いを示しています。

| 特性 | SHAP | XEMP |
| --- | --- | --- |
| オープンソース | オープンソースアルゴリズムは、容易な監査パスを規制当局に提供します。 | 十分にサポートされているDataRobot独自のアルゴリズムを使用します。 |
| モデルサポート | NextGen： すべてのモデルDataRobot Classic： 線形モデル、Kerasディープラーニングモデル、木型モデル（ツリーアンサンブルなど）に対応しています。 | XEMPはすべてのモデルで機能します。 |
| 列/値の制限 | 列または値の制限はありません。 | 上位50列までの最大10個の値。 |
| 速度 | XEMPよりも5～20倍高速です。 | — |
| 測定 | 多変量は、複数の特徴量を一度に変換させる効果を測定します。 加法性は、変換した個々の特徴量全体に総合効果を割り当てます。 | 単変量は、一度に1つの特徴量を変換させる効果を測定します。 |
| 最適なユースケース | 平均的な結果から特定の予測量に至るまでを具体的に説明します。 | 平均入力値に対して、どの個々の特徴量が結果に最も大きな影響を与えるか（つまり、平均データ行に対して、どの特徴量が予測を最も変えた値を持っているか）を説明します。 |
| その他の備考 | SHAPは付加的であり、予測に貢献する上位N個の機能の量を簡単に確認できます。 | — |

> [!NOTE] 備考
> 予測の説明は予測が作成された理由に関する数量的なインジケーターを提供しますが、計算では予測が計算された 方法 は完全に説明されません。 詳細については、 [係数と前処理情報](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/describe/coefficients-classic.html.md#coefficientpreprocessing-information-with-text-variables) を 係数 タブから使用します。

予測の説明の使用と解釈に関する方法ごとの説明については、 [XEMP](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/xemp-pe.html.md) または [SHAP](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/shap-pe.html.md) のページを参照してください。

## 例

データを評価する際の一般的な質問は、「あるイベントで特定のデータポイントが高リスク（または低リスク）と見なされるのは何故か」です。

予測の説明 のサンプルケース：

> 大規模製造会社のビジネスアナリストのケースを考えてみます。データサイエンスの経験が浅いビジネスアナリストですが、DataRobotを使用して、製造工場で発生する可能性のある製品不具合を予測する実績を挙げていました。上司が、これらの予測に基づいて不具合率を低下させる推奨案を尋ねてきました。このビジネスアナリストは、説明の高レベルの集計に基づいて製品不具合の主要な要因を特定するために、DataRobotを使用して予期される製品不具合の予測の説明を生成します。ビジネスアナリストのビジネスチームは、このレポートを使用して不具合の原因に対処することができます。

その他の一般的なユースケースと考えられる理由を以下に示します。

- 取引において詐欺のリスクが高いことを示すインジケーターは何でしょうか？ 可能性としては、カード所有者が住んでいる地域以外での取引、「不自然」な時間の取引、額が多き過ぎる（少なすぎる）取引などが考えられます。
- 自動車保険が高額になる理由は何でしょうか？ 申込者が30才以下の独身の男性で、酒気帯び運転などの交通違反を犯したであることが考えられます。 既婚の住宅所有者の保険料は低くなる傾向があります。

_SHAP_は、特定の予測が平均と異なる予測において各特徴量の責任の割合を推定します。 2つの特徴量（クレジットカードの数と雇用状況）のあるシンプルなモデルを構築する信用リスクの例を考えてみます。 このモデルでは、10枚のクレジットカードを持つ無職の申込者の債務不履行の確率は50%であるのに対し、平均の債務不履行率は5%であると予測されています。 SHAPは、各特徴量が50%の債務不履行リスク予測にどのように貢献したかを推定し、25%がカードの数に起因し、20%のリスクが顧客が無職であることに起因すると判断します。

## 機能に関する注意事項

予測の説明を使用する際は、以下の点に注意してください。 [時系列固有](https://docs.datarobot.com/ja/docs/reference/pred-ai-ref/ts-reference/ts-consider.html.md#accuracy) の注意事項も参照してください。

- 予測の説明は、1GB以下のデータセットでのみ生成されます。
- 実際の速度はモデルによって異なりますが、予測の説明で要求された予測は、通常、説明のない予測よりも生成に時間がかかります。 計算の実行時間は、特徴量、アンサンブル（XEMPでのみサポート）、およびテキスト特徴量の数の影響を受けます。 使用する特徴量の数を減らすか、アンサンブルとテキスト特徴量を回避すると、速度が向上することがあります。
- 画像の説明、画像の予測の説明は、デプロイからは利用できません（たとえば、バッチ予測または予測API）。 以下のSHAPの考慮事項も参照してください。
- DataRobot Classic UIでは、説明方法（XEMPまたはSHAP）を設定すると、インサイトは設定した方法でのみ取得できます。
- DataRobotブループリントからトレーニングされた異常検知モデルは、常にSHAPを使用して特徴量のインパクトを計算します。 ユーザーブループリントからの異常検知モデルの場合、特徴量のインパクトは、Permutationベースのアプローチを使用して計算されます。
- デプロイのデータ探索タブでは、そのデプロイから予測を行っているときに予測の説明がリクエストされても、エクスポート用に予測の説明が保存されることはありません。

### 予測の説明と特徴量のインパクトの方法

予測の説明と特徴量のインパクトは、プロジェクトとターゲットの種類に応じて複数の方法で計算されます。

> [!NOTE] 備考
> SHAPによる影響度は、SHAPの説明の集合体です。 詳細については、 [SHAPベースの特徴量のインパクト](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/feature-impact-classic.html.md#shap-based-feature-impact) を参照してください。

**非時系列/時間外検定:**
ターゲットタイプ
特徴量のインパクトの方法
予測の説明の方法
連続値
PermutationベースのインパクトまたはSHAPベースのインパクト
XEMPまたは
SHAP（Classic UI使用時はオプトイン）
二値
PermutationベースのインパクトまたはSHAPベースのインパクト
XEMPまたは
SHAP（Classic UI使用時はオプトイン）
多クラス
Permutationベースのインパクト
XEMP
教師なし異常検知
SHAPインパクト
XEMP
教師なしクラスタリング
Permutationベースのインパクト
XEMP

**時系列:**
ターゲットタイプ
特徴量のインパクトの方法
予測の説明の方法
連続値
Permutationベースのインパクト
XEMP
二値
Permutationベースのインパクト
XEMP
多クラス
N/A*
N/A*
教師なし異常検知
SHAPインパクト
XEMP**
教師なしクラスタリング
N/A*
N/A*

* このプロジェクトタイプは利用できません。

** 時系列の教師なし異常検知の視覚化では、 [異常評価チャート](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/evaluate/anom-viz.html.md#anomaly-assessment) はSHAPを使用して異常ポイントの説明を計算します。


### XEMP

XEMP（Permutationベースの特徴量の有用性スコアに基づく）を使用する場合は、次の点を考慮してください。

- 予測の説明には、特徴量が導入される前にトレーニングされたモデルとの互換性があります。
- 予測の説明を計算するには、検定セットに100行以上が必要です。
- 予測の説明は、地理空間を除くすべての特徴量の型（数値、分類、テキスト、日付、時刻、画像など）で機能します。
- DataRobotでは予測の説明の計算に最大50の特徴量が使用され、計算の複雑さが制限され、応答時間が短縮されます。 特徴量のインパクトのランキングの順に特徴量が選択されます。
- 有用性が極めて低い、またはまったくない特徴量については、予測の説明は返されません。 これは、インパクトがほとんどまたはまったくない特徴量について、インパクトがあることを示唆しないようにするためです。
- UIでの予測の説明の最大数は10、予測APIでの予測の説明の最大数は50です。

### SHAP

- 多クラス分類予測の説明は、SHAPではサポートされていません（ただし、XEMPでは使用できます）。
- 検定とホールドアウトにトレーニングされたモデルのSHAPベースの予測の説明はサンプルであり、スタックされていません。
- AutoMLの場合、SHAPは線形、ツリーベース、Kerasディープラーニングのブループリントでのみサポートされます。 通常はリーダーボードの上位に表示されるブレンダー以外のAutoML BPのほとんどがサポートされています（互換表を参照してください）。
- SHAPは以下ではサポートされていません。
- SHAPは画像型特徴量をサポートしていません。 結果として、画像の説明は利用できません。
- リンク機能を使用する場合、SHAPは余裕空間で加法性です（sum(shap) = link(p)-link(p0)）。 推奨事項を以下に示します。
- 利用可能な説明数に関する制限：
- 教師なしの異常検知モデル：