インサイト¶

インサイトタブでは、プロジェクトの可視化を表示および分析し、モデルを切り替えて比較することができます。

次の表に、使用するインサイトの可視化、説明、およびデータソースを示します。 可視化の分析の詳細については、リンクをクリックしてください。 可視化ツールの可用性はプロジェクトの種類によって異なります。

インサイトの使用¶

1. モデル > インサイトに移動し、インサイトのタイルをクリックします（全リストはインサイトの可視化を参照）。

   

   備考

   表示される特定のインサイトはモデルのタイプにより異なります。モデルのタイプはプロジェクトのタイプに依存します。 つまり、すべてのプロジェクトですべてのインサイトが利用できるわけではありません。

2. 右側のモデルドロップダウンメニューにあるモデルのリストから選択します。

   

   備考

   リストされているモデルは、選択したインサイトによって異なります。 示されている例では、木型アルゴリズムの特徴量の有用性のインサイトが選択されているため、モデルリストにはツリーモデルとフォレストモデルが含まれています。

3. インサイトドロップダウンメニューを使用して、他の該当するインサイトから選択します。

   

4. 可視化情報をダウンロードするには、右下のエクスポートをクリックし、ダウンロードの種類（CSV、PNG、またはZIP）を選択します。

   

   詳細についてはチャートとデータのエクスポートを参照してください 。

アクティベーションマップ¶

インサイトタブのアクティベーションマップタイルをクリックすると、どの画像の部分がアルゴリズムの予測決定の元になっているかを予測する際に、モデルが画像のどの領域を使用しているかを確認できます。

アクティベーションマップを使用すると、モデルが画像の前景と背景のどちらを見ているのか、適切な領域に焦点が合っているかを示すことができます。 たとえば、病気が発生した植物の「健康」な領域だけを見ていて、葉全体を使用していないので、「病気なし」と分類されていないかを確認できます。過学習やターゲットリーケージの問題があるかどうかも確認できます。これらのマップは、モデルをチューニングした方がより効果的かどうかを判断するのに役立ちます。

Visual Artificial Intelligence（AI）の詳細については、参考資料を参照してください。

フィルター¶

フィルターを使用すると、予測クラス値と実測クラス値に基づいて表示を絞り込むことができます。 初期表示にはサンプル全体が表示されます（つまり、両方のフィルターがすべてに設定されています）。 代わりに、特定のクラスでフィルターするように表示を設定すると、表示を制限することができます）。 次にいくつかの例を示します。

画像にカーソルを合わせると、その画像で報告された予測クラスと実測クラスが表示されます。

カラーオーバーレイ¶

DataRobotは、アクティベーションマップの2つのビュー（白黒とフルカラー）を提供します（白黒の場合、元の画像の色の一部の透明性が表示されます）。 コントラストが最もはっきりするオプションを選択します。 たとえば、白黒のデータセットの場合、（黒から透明のスケールを使用する代わりに）代替カラーオーバーレイを使用すると、アクティブ化領域がより明確になります。 カラーオーバーレイの表示を切り替えて比較します。

アクティベーションスケール¶

高から低へのアクティベーションスケールは、画像内の領域が予測に影響を与えている度合いを示します。 スケールが高い場合、その領域が予測に与える影響は高くなります。モデルでは、存在した要素（または存在すべきであっても存在しなかった要素）を使用して予測が作成されます。 例としては、葉にみられる黄色の変色、葉の下の影、または特定の形でカールする葉の縁などがあります。

スケールについては、モデルが画像の特定の領域に「反応」している度合いを反映しているということも言えます。 これは一種の予測の説明で、モデルの予測の理由を説明するものです。マップは、アルゴリズムで当該領域においてxが確認されたことを示します。その結果、xに類似する視覚情報に対するフィルターの感度が上がりました。

異常検知¶

インサイトタブの異常検知タイルをクリックすると、各行の異常スコアが表示され、予期された動作にそぐわない異常なパターンを識別するのに役立ちます。 異常検知インサイトでは、これらの結果をスコアでソートしたサマリーテーブルを表示します。

画面には、最も高い異常スコアを含むトレーニングデータセットの上位100行までがリストされ、最大1000列および列あたり200文字が表示されます。 左上の異常スコア列のヘッダーをクリックすると、スコアが低いものから高いものへとソートされます。 エクスポートボタンを使用して、異常スコアの全リストをダウンロードできます。

異常スコアのインサイトと時系列異常の可視化も参照してください。

カテゴリークラウド¶

インサイトタブのカテゴリークラウドタイルをクリックすると、集計されたカテゴリー型特徴量を調査できます 。 カテゴリークラウドは、ワードクラウドとして表示され、対応する特徴量に最も関連性の高いキーが表示されます。

キーは、青色から赤色に変化する色スペクトルで表示されます。青色はnegative効果、赤色はpositive効果を示します。 出現頻度の高いキーはサイズの大きい文字で表示され、頻度の低いものは小さい文字で表示されます。

ストップワードをフィルタリングボックスをオンにすると、ストップワード（よく使用される用語のうち検索対象から除外できる用語）を表示から除外できます。 それらの単語が自動調整済みの集計されたカテゴリーモデルに有用でない場合は、削除することで解釈性を向上できます。

キーにマウスを合わせると、そのキーに固有の係数値が表示され、そのフルネーム（クラウドの左側に情報とともに表示）が読み取られます。 クラウドでの表示では、キーの名前は20文字に切り詰められます。それ以外の場合は100文字までに制限されています。

ホットスポット¶

インサイトタブのホットスポットタイルをクリックして、予測パフォーマンスが高いシンプルなルールを表す「ホット」スポットと「コールド」スポットを調査します。 これらのルールはデータに対する優れた予測変数で、容易に解釈してビジネスルールとして導入できます。

画像埋め込み¶

インサイトタブの画像埋め込みタイルをクリックすると、（複数の画像間での類似性を維持する技法を使用して）2次元平面に投影された形で、検定セットから抽出された最大100枚の画像が表示されます。 この可視化は次のような場合に役立ちます：何が類似しているとフィーチャライザーが判断しているかを確認する場合。人間の直感と一致するかを確認する場合。フィーチャライザーに明らかに何かが欠損していないか確認する場合。

Visual Artificial Intelligence (AI)モデルのインサイトに関するセクションで、画像の埋め込みインサイトの完全な説明を参照してください。

テキストベースのインサイト¶

テキスト特徴量には、強い反応を示す単語が含まれていることがよくあります。 特徴量のキーワードの関連性を評価するために、DataRobotは次のテキストベースのインサイトを提供します。

• テキストマイニング
• ワードクラウド

テキストマイニング¶

テキストマイニングチャートでは、テキストと認識されたすべての特徴量に含まれる最も関連度の高い語句が表示されます。 positive効果のあるテキストストリングは赤色で表示され、negative効果のあるテキストは青色です。

最も有用性の高い語句がテキストマイニングチャートに表示され、係数の値で順位付けされます（語句がターゲットに対してどの程度高い相関性にあるのかを示します）。 このランキングにより、これらの語句の存在の強さを比較することができます。 並べて比較することにより、レスポンスのさまざまな影響とともに、個々の単語の使い方をさまざまな（時には反直感的な）形で確認できます。

ワードクラウド¶

ワードクラウドインサイトでは、最も影響力のある語句がワードクラウド形式で最大200個表示されます。

ワードクラウドの視覚化は、次のモデルタイプおよびブループリントでサポートされています。

• 二値分類

  • ElasticNet分類子（線形ファミリーモデル）のすべてのバリアント（TinyBERT ElasticNet分類子とFastText ElasticNet分類子を除く）
  • ElasticNet予測でのLightGBM
  • 残差に収まるテキスト
  • マルチモーダルデータセットの拡張サポート（単一の自動調整されたNグラムを使用）

• 多クラス：

  • TinyBERTSGD分類器とFastTextSGD分類器を除く、少なくとも1つのテキスト列を持つ確率的勾配降下法

• 連続値：

  • Ridge Regressor
  • ElasticNet Regressor
  • Lasso Regressor
  • 単一の自動調整されたマルチモーダル
  • ElasticNet予測でのLightGBM
  • 残差に収まるテキスト

DataRobotでの単一文字のワードの処理方法の詳細については、テキストベースのインサイトを参照してください。

特徴量の有用性（木型アルゴリズム）¶

特徴量の有用性（木型アルゴリズム）インサイトは、特定のモデルを構成する主要なすべての変数を相対的有用性の順に並べて表示します。

この表示は、プロジェクト内のモデルのすべての重要度チャートを蓄積し、これらのチャートをモデル間で比較しやすくします。 ソート条件を変更すると、ランク付けされた有用性またはアルファベット順で特徴量がリストされます（2）。

このチャートは、モデルを構成する主要なすべての特徴量の相対的有用性を表示します。 各特徴量の有用性は、ターゲットの予測において最も有用性の高い特徴量を基準に計算されます。 最も有用性の高い特徴量の相対的有用性が100%に設定され、その他すべての特徴量はそれに対するパーセントで表されます。

チャートを解釈する際は以下を考慮してください。

• 相対的有用性は、ある特定の特徴量の予測に対する有用性が他の特徴量と比べて大幅に高い時に非常に役に立ちます。 この大幅に有用性の高い変数の値がレスポンスに依存していないかどうかは常に確認してください。 依存している場合は、モデルのトレーニングからこの特徴量を除外することを検討してください。 係数チャートがないモデルもあるため、モデルに対する特徴量のインパクトを可視化するには有用性グラフが唯一の方法となります。

• ある特徴量が、DataRobotが構築した多くのモデルの中の1つのモデルにしか含まれてない場合は、あまり有用ではない可能性があります。 特徴量セットからそれを除外することで、モデル構築や将来予測を最適化できます。

• 同じモデルの特徴量セットを変えて特徴量の有用性がどのように変化するかを比較するのは有益です。 簡易データセットで有用性が高いと認識された特徴量が、完全データセットで認識される特徴量と実質的に異なる場合があります。

各特徴量の効果¶

特徴量の有用性（木型アルゴリズム）は、異なる特徴量とモデルの関連度を表示し、各特徴量の効果チャートは、予測結果に各変数が与える影響を表示します。

このチャートを使用し、異なる定数スプラインモデルに対する特徴量の影響を比較します。 特徴量の有用性の相対的な順位がモデル間で大幅に変異しないかどうか確認することは有益です。 １つのモデルで有用性が非常に高いと認識され、positive効果がある特徴量が、他のモデルでnegative効果が見られる場合、データセットとモデルの両方を再度確認する価値があります。

特徴量の効果では、次の操作を行うことができます。

• 各特徴量の効果をクリックして、特徴量の相対的ランクを表示します。
• ソート条件ドロップダウンを使用して、影響度（特徴量の係数）またはアルファベット順（特徴量の名前）に値を並べ替えます。