Partial Dependence Plots (PDPs)

카테고리 없음

쑨토리 2025. 1. 22. 22:28

목적:
PDP는 머신러닝 모델에서 특정 입력(feature)이 출력값(prediction)에 어떤 영향을 미치는지 시각적으로 보여줍니다.
- 예: 집값 예측 모델에서 방 개수가 집값에 미치는 영향을 분석.
어떻게 사용되나?
- 모델의 예측 해석: PDP는 모델의 "블랙박스" 성격을 줄이고, 결과를 더 잘 이해하도록 돕습니다.
- AWS 서비스 활용: SageMaker Clarify를 사용하면 PDP와 같은 해석 기능을 쉽게 구현할 수 있습니다.
결과 해석:
- PDP 그래프는 특정 입력값의 변화에 따른 출력값(예측)의 평균 변화를 보여줍니다.
- 곡선이 완만하면 해당 특징이 결과에 큰 영향을 미치지 않는다는 의미입니다.
AWS Certified AI Practitioner 시험 관련:
- 이 시험에서는 "PDP는 특정 특징이 예측에 미치는 영향을 분석하는 데 유용하다"는 정도의 기본 개념만 이해하면 됩니다.
- SageMaker와 관련된 ML 해석 도구를 사용하는 방법을 묻는 문제로 나올 수 있습니다.

PDP는 모델 해석을 위한 도구로, 특정 특징과 출력값 간의 관계를 시각화함.
AWS 서비스: SageMaker Clarify가 관련 기능을 지원.
시험 대비: PDP의 목적과 SageMaker의 사용 사례를 이해하면 충분.
- 문제의 핵심 요구 사항
  - 투명성 (Transparency): 모델이 어떤 방식으로 작동하는지 이해하기 쉽게 만들어야 함.
  - 설명 가능성 (Explainability): 모델의 예측 결과에 대해 구체적인 설명을 제공해야 함.
    - 이러한 상황일 때, PDPs가 적합
      - 특정 특징(feature)이 예측 결과에 미치는 영향을 시각화:
        
        PDP는 독립 변수(특징)가 결과 변수(타겟)에 미치는 평균적 영향을 보여줌. 이를 통해 모델의 동작을 더 잘 이해할 수 있음.
        
        예: "재고 수량"이 수요 예측 결과에 어떤 영향을 미치는지 설명.
      - 비전문가도 이해 가능한 시각적 표현: 그래프를 통해 모델의 의사결정을 쉽게 설명할 수 있으므로, 회사의 이해관계자들이 기술적 배경이 없어도 결과를 이해 가능.
      - 모델의 "블랙박스" 성격 완화 해야할 때, = 설명 가능성이 중요할때: PDP는 복잡한 ML 모델(예: 랜덤 포레스트, XGBoost)의 예측을 단순화하여 특정 특징과 결과 간의 관계를 명확히 보여줌.