第6章 可解釋性與決策支援

## 第6章 可解釋性與決策支援 在資料科學的實務旅程中，模型的預測力固然重要，但能否將這些預測結果轉化為具體、可執行的商業洞察，才是決策者真正關心的議題。本章將聚焦三大可解釋性工具：**SHAP**、**LIME**與**決策樹可解釋性**，並示範如何將模型輸出映射到業務指標，進一步支援策略決策。 --- ### 6.1 可解釋性概念簡述 | 目標 | 說明 | |------|------| | **透明度** | 讓模型的內部邏輯對使用者可見，減少「黑盒」的疑慮 | | **可追蹤性** | 能追蹤單一輸入變數如何影響輸出 | | **信任度** | 增加決策者對模型建議的信心 | | **合規性** | 保障模型決策不含偏見，符合倫理與法規 | > **關鍵點**：可解釋性並非為了取代模型本身，而是為了把模型的預測力量轉化為業務語言。 --- ### 6.2 SHAP（SHapley Additive exPlanations） #### 6.2.1 基礎原理 SHAP 取自「Shapley 值」——遊戲理論中對各玩家貢獻度的公平分配方法。對機器學習模型來說，每個特徵都是一名玩家，SHAP 值表示該特徵對單一預測值的邏輯貢獻。 - **全局可解釋**：通過平均 SHAP 值了解整體特徵重要性。 - **局部可解釋**：對單個樣本給出每個特徵的貢獻度。 #### 6.2.2 實務範例 以下示範如何使用 Python 的 `shap` 套件對 XGBoost 模型進行解釋。 ```python import xgboost as xgb import shap import pandas as pd # 讀取資料 X = pd.read_csv('train_features.csv') y = pd.read_csv('train_labels.csv') # 模型訓練 model = xgb.XGBClassifier(n_estimators=200, learning_rate=0.1, max_depth=6) model.fit(X, y) # 計算 SHAP 值 explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(X) # 全局重要性圖 shap.summary_plot(shap_values, X) # 單一樣本解釋 sample_idx = 10 shap.force_plot(explainer.expected_value, shap_values[sample_idx], X.iloc[sample_idx]) ``` > **提示**：在大型資料集上，請先抽樣或使用 `shap.sample()` 降維。 #### 6.2.3 商業應用 1. **風險評估**：在信用評分模型中，SHAP 讓風控人員能確認「負債比率」或「交易頻率」對風險分數的貢獻。 2. **市場行銷**：針對客戶流失預測，了解「客服交互頻率」如何影響流失風險，進而調整行銷策略。 --- ### 6.3 LIME（Local Interpretable Model‑agnostic Explanations） #### 6.3.1 基礎原理 LIME 透過在目標樣本附近生成「線性代理模型」來近似原模型。該代理模型在局部範圍內對特徵的重要性給出直觀解釋。 - **模型無關**：可用於任何「黑盒」模型（如深度學習、集成學習）。 - **局部可解釋**：聚焦於單個預測，提供快速洞察。 #### 6.3.2 實務範例 以下示範對隨機森林模型使用 LIME 進行局部解釋。 ```python from sklearn.ensemble import RandomForestClassifier from lime import lime_tabular import pandas as pd # 讀取資料 X = pd.read_csv('train_features.csv') y = pd.read_csv('train_labels.csv') # 模型訓練 rf = RandomForestClassifier(n_estimators=100) rf.fit(X, y) # LIME 解釋器 explainer = lime_tabular.LimeTabularExplainer( training_data = X.values, feature_names = X.columns, class_names = ['No', 'Yes'], mode = 'classification' ) # 針對第 5 筆資料解釋 idx = 5 exp = explainer.explain_instance(X.iloc[idx].values, rf.predict_proba, num_features=10) exp.show_in_notebook(show_table=True, show_all=False) ``` #### 6.3.3 商業應用 - **產品推薦**：分析單一商品推薦原因，幫助營運人員優化商品排序。 - **醫療診斷**：為臨床醫師解釋模型預測結果，提升診斷信心。 --- ### 6.4 決策樹可解釋性 #### 6.4.1 內在解釋性 決策樹本身已具備「可視化」與「可追蹤」的特性，透過節點分裂條件即能說明預測流程。 #### 6.4.2 決策路徑圖 使用 `dtreeviz` 可視化整棵樹，並標示重要節點。 ```python from dtreeviz.trees import dtreeviz from sklearn.tree import DecisionTreeClassifier import pandas as pd X = pd.read_csv('train_features.csv') y = pd.read_csv('train_labels.csv') clf = DecisionTreeClassifier(max_depth=5) clf.fit(X, y) viz = dtreeviz(clf, X, y, target_name='Outcome', feature_names=list(X.columns), class_names=['No', 'Yes']) viz.view() ``` #### 6.4.3 商業應用 - **合規審核**：在金融貸款審批中，決策樹提供「必經條件」與「例外規則」，易於審計。 - **產品路線圖**：在新產品設計中，根據決策樹路徑調整功能優先級。 --- ### 6.5 將模型結果轉化為業務指標 | 步驟 | 內容 | 產出 | 例子 | |------|------|------|------| | 1 | 定義商業目標 | KPI 清單 | 例如：客戶流失率 5% | | 2 | 取模型輸出 | 風險分數、預測概率 | 信用卡逾期風險 0.82 | | 3 | 計算特徵貢獻 | SHAP/LIME 值 | 「負債比」貢獻 +0.12 | | 4 | 轉換為可行建議 | 操作項目 | 降低負債比 3% | | 5 | 整合報告 | BI 儀表板 | 風險分數趨勢圖 | > **提示**：在報告中，將 **數值貢獻** 與 **策略意義** 串連，才不會讓商業決策者淪為「數據旁觀者」。 --- ### 6.6 案例研究：零售商客戶流失預測 | 項目 | 詳細說明 | |------|----------| | 目標 | 預測 90 天內流失客戶 | | 模型 | XGBoost + SHAP | | 主要特徵 | 交易頻率、平均交易額、客服互動、退貨次數 | | SHAP 結果 | 交易頻率貢獻最大，平均交易額其次 | | 商業建議 | 針對交易頻率低客戶發送「回饋優惠」；提升平均交易額的個性化推薦 | | 成效 | 客戶流失率從 8% 降至 5%，月營收提升 12% | > **關鍵洞察**：SHAP 讓我們把「低交易頻率」具體量化為 0.15 的貢獻，直接轉化為行銷預算分配。 --- ### 6.7 章節總結 1. **可解釋性工具**：SHAP（全局 + 局部）、LIME（模型無關局部）、決策樹（原生可解釋） 2. **實務流程**：模型 → 解釋 → KPI 轉化 → 決策 3. **商業價值**：提升決策透明度、加速執行、滿足合規需求 4. **未來趨勢**：解釋性方法將與自動化報告、增強學習結合，實現「即時可解釋決策」。 --- > **實務提醒**：在部署模型前，先確保可解釋性工具能在實際環境中執行，並將解釋結果納入報表流程，避免「可解釋性只停留在模型實驗室」的現象。