機(jī)器學(xué)習(xí)（ ML ）越來越多地用于醫(yī)療、教育和金融服務(wù)等多個領(lǐng)域的決策。由于 ML 模型被用于對人們有實際影響的情況，因此了解在消除或最小化偏見影響的決策中考慮了哪些特征是至關(guān)重要的。

模型解釋性 幫助開發(fā)人員和其他利益相關(guān)者理解模型特征和決策的根本原因，從而使流程更加透明。能夠解釋模型可以幫助數(shù)據(jù)科學(xué)家解釋他們的模型做出決策的原因，為模型增加價值和信任。在本文中，我們將討論：

對模型可解釋性的需求

使用 SHAP 的可解釋性

GPU – 從 RAPIDS 加速 SHAP 實現(xiàn)

使用 演示筆記本 在 Azure 機(jī)器學(xué)習(xí)上使用 SHAP 進(jìn)行模型解釋。

為什么我們需要解釋性？

有六個主要原因證明機(jī)器學(xué)習(xí)中需要模型互操作性：

理解模型中的公平性問題

對目標(biāo)的準(zhǔn)確理解

創(chuàng)建健壯的模型

調(diào)試模型

解釋結(jié)果

啟用審核

了解模型中的公平性問題： 可解釋模型可以解釋選擇結(jié)果的原因。在社會背景下，這些解釋將不可避免地揭示對代表性不足群體的固有偏見。克服這些偏見的第一步是看看它們是如何表現(xiàn)出來的。

更準(zhǔn)確地理解目標(biāo)： 對解釋的需要也源于我們在充分理解問題方面的差距。解釋是確保我們能夠看到差距影響的方法之一。它有助于理解模型的預(yù)測是否符合利益相關(guān)者或?qū)＜业哪繕?biāo)。

創(chuàng)建穩(wěn)健的模型： 可解釋模型可以幫助我們理解預(yù)測中為什么會存在一些差異，這有助于使預(yù)測更加穩(wěn)健，并消除預(yù)測中極端和意外的變化；以及為什么會出現(xiàn)錯誤。增強(qiáng)穩(wěn)健性也有助于在模型中建立信任，因為它不會產(chǎn)生顯著不同的結(jié)果。

模型可解釋性還可以幫助調(diào)試模型，解釋 向利益相關(guān)者提供成果，并使 auditing 以滿足法規(guī)遵從性。

需要注意的是，在某些情況下，可解釋性 MIG 不太重要。例如，在某些情況下，添加可解釋模型可以幫助對手欺騙系統(tǒng)。

現(xiàn)在我們了解了什么是可解釋性以及為什么我們需要它，讓我們看看最近非常流行的一種實現(xiàn)方法。

使用 SHAP 和 cuML 的 SHAP 的可解釋性

有不同的方法旨在提高模型的可解釋性；一種模型不可知的方法是 夏普利值 。這是一種從聯(lián)盟博弈論中衍生出來的方法，它提供了一種公平地將“支出”分配給各個功能的方法。在機(jī)器學(xué)習(xí)模型的情況下，支出是模型的預(yù)測/結(jié)果。它的工作原理是計算整個數(shù)據(jù)集的 Shapley 值并將其組合。

cuML 是 RAPIDS 中的機(jī)器學(xué)習(xí)庫，支持單 GPU 和多 GPU 機(jī)器學(xué)習(xí)算法，通過 內(nèi)核解釋程序 和 置換解釋者 提供 GPU 加速模型解釋能力。 核形狀 是 SHAP 最通用和最常用的黑盒解釋程序。它使用加權(quán)線性回歸來估計形狀值，使其成為一種計算效率高的近似值方法。

內(nèi)核 SHAP 的 cuML 實現(xiàn)為快速 GPU 模型提供了加速，就像 cuML 中的那些模型一樣。它們也可用于基于 CPU 的模型，在這些模型中仍然可以實現(xiàn)加速，但由于數(shù)據(jù)傳輸和模型本身的速度，它們 MIG 可能會受到限制。

在下一節(jié)中，我們將討論如何在 Azure 上使用 RAPIDS 內(nèi)核 SHAP 。

使用解釋社區(qū)和 RAPIDS 實現(xiàn)可解釋性

InterpretML 是一個開源軟件包，將最先進(jìn)的機(jī)器學(xué)習(xí)可解釋性技術(shù)集成在一起。雖然本產(chǎn)品的解釋包中涵蓋了主要的解釋技術(shù)和玻璃盒解釋模型， Interpret-Community 擴(kuò)展了解釋存儲庫，并進(jìn)一步整合了社區(qū)開發(fā)的和實驗性的解釋性技術(shù)和功能，這些技術(shù)和功能旨在實現(xiàn)現(xiàn)實場景的解釋性。

我們可以將其擴(kuò)展到 解釋 Microsoft Azure 上的模型 ，稍后將對其進(jìn)行更詳細(xì)的討論。解釋社區(qū)提供各種解釋模型的技術(shù)，包括：

Tree 、 Deep 、 Linear 和 Kernel Explainers 基于形狀，

模擬解釋者 基于訓(xùn)練 全局代理模型 （訓(xùn)練模型以近似黑盒模型的預(yù)測），以及

排列特征重要性（ PFI ）解釋者 基于 布雷曼關(guān)于蘭德森林的論文 ，其工作原理是對整個數(shù)據(jù)集一次一個特征的數(shù)據(jù)進(jìn)行洗牌，并估計其對性能指標(biāo)的影響；變化越大，功能越重要。它可以解釋整體行為，而不是個人預(yù)測。

在社區(qū)中集成 GPU 加速 SHAP

為了使 GPU – 加速 SHAP 易于最終用戶訪問，我們將 integrated 從 cuML 的 GPU 內(nèi)核解釋者 添加到 interpret-community 包中。有權(quán)訪問 Azure 上具有 GPU s 的虛擬機(jī) （ NVIDIA Pascal 或更高版本）的用戶可以安裝 RAPIDS （》= 0.20 ）并通過將 use _ ZFK5］標(biāo)志設(shè)置為 True 來啟用 GPU 解釋程序。

from interpret.ext.blackbox import TabularExplainer

# "features" and "classes" fields are optional
explainer = TabularExplainer(model,
                          x_train,
                          features=breast_cancer_data.feature_names,
                          classes=classes,
use_gpu=True)

新添加的 GPUKernelExplainer 還使用 cuML K- 均值 來復(fù)制 shap.kmeans 的行為。 KMeans 減少了解釋者要處理的背景數(shù)據(jù)的大小。它總結(jié)了通過 K 個平均樣本傳遞的數(shù)據(jù)集，這些樣本由數(shù)據(jù)點的數(shù)量加權(quán)。將 sklearn K-Means 替換為 cuML 使我們能夠利用 GPU 的速度提升，即使在 SHAP 之前的數(shù)據(jù)預(yù)處理過程中也是如此。

基于我們的實驗，我們發(fā)現(xiàn)，當(dāng)與 cuML KerneleExplainer 一起使用時， cuML 模型在某些情況下會產(chǎn)生最高可達(dá) 270 倍的速度提升的最佳結(jié)果。我們還看到了具有優(yōu)化和快速預(yù)測調(diào)用的模型的最佳加速，如優(yōu)化的 sklearn 。 svm 。 LinearSVR 和 cuml 。 svm 。 SVR （ kernel =’ linear ‘） 所示。

Azure 中的模型解釋

Azure 機(jī)器學(xué)習(xí)提供了一種通過 azureml-interpret SDK 包獲取常規(guī)和自動化 ML 培訓(xùn)說明的方法。它使用戶能夠在訓(xùn)練和推理期間，在真實世界數(shù)據(jù)集上實現(xiàn)大規(guī)模的模型可解釋性［2］。我們還可以使用交互式可視化來進(jìn)一步探索整體和單個模型預(yù)測，并進(jìn)一步了解我們的模型和數(shù)據(jù)集。 Azure 解釋使用解釋社區(qū)包中的技術(shù)，這意味著它現(xiàn)在支持 RAPIDS 形狀。我們將瀏覽一個演示 Azure 上使用 cuML 形狀的模型可解釋性 的示例筆記本。

在 GPU 虛擬機(jī)上使用自定義 Docker 映像設(shè)置 RAPIDS 環(huán)境（本例中為標(biāo)準(zhǔn)的_ NC6s _ v3 ）。

view rawcustom_docker.py?hosted with?by?GitHub

生成的解釋上傳到 Azure 機(jī)器學(xué)習(xí)運行歷史記錄后，您可以在 Azure 機(jī)器學(xué)習(xí)工作室 中的解釋儀表板上查看可視化。

圖 1 ：顯示模型性能和特性重要性的解釋儀表板。

我們在 Azure 中的單個 explain _全局調(diào)用上對 CPU 和 GPU 實現(xiàn)進(jìn)行了基準(zhǔn)測試。 explain _ global 函數(shù)在使用 explain _ local 時返回聚合特征重要性值，而不是實例級特征重要性值。我們比較了 cuml 。 svm 。 SVR （ kernel =’ rbf ‘）與 sklearn 。 svm 。 SVR （ kernel =’ rbf ‘）對形狀為（ 10000 ， 40 ）的合成數(shù)據(jù)的影響。

從表 1 中我們可以觀察到，當(dāng)我們使用 GPU 虛擬機(jī)（ Standard _ NC6S _ v3 ）時，與具有 16 個內(nèi)核的 CPU 虛擬機(jī)（ Standard _ DS5 _ v2 ）相比， 2000 行解釋的速度提高了 420 倍。我們注意到，在 16 核 CPU 虛擬機(jī)上使用 64 核 CPU 虛擬機(jī)（標(biāo)準(zhǔn)_ D64S _ v3 ）可以產(chǎn)生更快的 CPU 運行時間（大約 1 。 3 倍）。這種更快的 CPU 運行仍然比 GPU 運行慢得多，而且更昂貴。 GPU 運行速度快了 380 倍，成本為 0 。 52 美元，而 64 核 CPU 虛擬機(jī)的成本為 23 美元。我們在 Azure 的美國東部地區(qū)進(jìn)行了實驗。

圖 2 ： Azure 上 CPU 和 GPU 虛擬機(jī)的比較。

表 1 ：標(biāo)準(zhǔn) DS5 和標(biāo)準(zhǔn) NC6s _ v3 的比較。

從我們的實驗來看，在 Azure 上使用 cuML 的 KernelExplainer 被證明更具成本和時間效率。隨著行數(shù)的增加，速度會更好。 GPU SHAP 不僅解釋了更多的數(shù)據(jù)，而且還節(jié)省了更多的資金和時間。這會對時間敏感的企業(yè)產(chǎn)生巨大影響。

這是一個簡單的例子，說明如何在 Azure 上使用 cuML 的 SHAP 進(jìn)行解釋。這可以擴(kuò)展到具有更有趣的模型和數(shù)據(jù)集的更大示例。

關(guān)于作者

Nanthini 是 NVIDIA 的數(shù)據(jù)科學(xué)家和軟件開發(fā)人員。她在 RAPIDS 團(tuán)隊工作，該團(tuán)隊專注于使用 GPU 加速數(shù)據(jù)科學(xué)管道。她的工作包括進(jìn)行概念驗證、開發(fā)和維護(hù)功能、將 RAPIDS 與外部框架集成，以及通過示例用例演示這些工具的使用。最近，她一直致力于 RAPIDS 框架和微軟解釋之間的集成。 2019 ，她獲得了賓夕法尼亞大學(xué)計算機(jī)科學(xué)碩士學(xué)位。

審核編輯：郭婷