# 個々の予測の説明（XEMP）

> 個々の予測の説明（XEMP） - Review row-by-row detail about Individual Prediction Explanations based on XEMP, a
> proprietary DataRobot method.

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 `2026-10-09T14:18:51.446467+00:00` (UTC).

## Primary page

- [個々の予測の説明（XEMP）](https://docs.datarobot.com/ja/docs/workbench/build-workbench/experiments/experiment-insights/xemp-predex.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [XEMPベースの説明](https://docs.datarobot.com/ja/docs/workbench/build-workbench/experiments/experiment-insights/xemp-predex.html.md#xemp-based-explanations): In-page section heading.
- [次のステップ](https://docs.datarobot.com/ja/docs/workbench/build-workbench/experiments/experiment-insights/xemp-predex.html.md#next-steps): In-page section heading.

## Documentation content

| タブ | 説明 |
| --- | --- |
| パフォーマンス | 予測の説明を生成するベースとしてXEMPを使用します。これは、予測の要因を理解するのに役立ちます。 Only available for models and projects that do not support SHAP. |

> [!NOTE] 備考
> 異常検知、多クラス、クラスタリングの各モデルは、 [SHAPベースの説明](https://docs.datarobot.com/ja/docs/workbench/build-workbench/experiments/experiment-insights/shap-predex.html.md) をサポートしていないため、XEMPを使用します。 その他のモデルタイプはすべてSHAPを使用します。

## XEMPベースの説明

XEMPベースの説明は、すべてのモデルタイプで使用できるDataRobot独自の方法です。 これらは一変量であり、それぞれ特定の特徴量が予測に与える影響の分布を表示できます。 （対照的に、SHAPは多変量であり、一度に複数の特徴を変化させる効果を測定します。）XEMPの説明は、SHAPがモデルやエクスペリメントタイプでサポートされていない場合にのみ利用できます。個々の予測の説明の適切なタイプはDataRobotによって決定され、モデルを選択すると利用できるようになります。

XEMPインサイトにアクセスするには、リーダーボード内のモデルをクリックし、 個々の予測の説明（XEMP） を選択して表示を拡大します。 プロンプトが表示されたら、 特徴量のインパクトを計算 をクリックします。

計算が成功すると、プレビューが表示されます。 プレビューの操作、表示の解釈、説明の計算とダウンロードの詳細については、 [DataRobot Classicのドキュメント](https://docs.datarobot.com/ja/docs/classic-ui/modeling/analyze-models/understand/pred-explain/xemp-pe.html.md) を参照してください。

## 次のステップ

Continue exploring what drives your model's predictions with these related insights.

- Individual Prediction Explanations : See the SHAP-based alternative method used for model and experiment types that support it.
- Feature Impact : Identify which features are most strongly driving model decisions overall.
- Data slices : View a subpopulation of a model's data based on feature value to see how explanations vary by cohort.