Skip to the content.

最終更新日:2026年9月24日

まず結論

  • Permutation Importance:特徴量をシャッフルし、モデル性能がどれだけ低下するかを見る
  • SHAP:予測を特徴量ごとの寄与へ分解する

G検定では、

シャッフル+性能低下 → Permutation Importance
Shapley値+寄与 → SHAP

で切ります。

直感的な説明

Permutation Importanceは、

この特徴を壊したら、モデルはどれくらい困る?

を見る方法です。

SHAPは、

この予測値を作るのに、各特徴がどれくらい寄与した?

を見る方法です。

定義・仕組み

Permutation Importance

学習済みモデルに対し、ある特徴量だけをランダムに並び替え、評価指標がどれだけ悪化するかを測ります。

モデル内部構造に依存しない方法です。

一般には検証データなどでモデル全体の重要度を見る用途に使われます。

SHAP

Shapley値を基礎に、ある予測と基準値との差を特徴量寄与として表します。

個別予測を説明でき、複数サンプルを集約して全体傾向を見ることもできます。

いつ使う?(得意・不得意)

相関特徴量に注意

Permutation Importanceでは、強く相関した特徴量があると、一方をシャッフルしても他方が情報を補い、重要度が低く見えることがあります。

SHAPも、特徴量依存関係の扱い方によって解釈が変わる場合があります。

したがって、

数値が出たらそのまま因果的重要度

とは考えません。

G検定ひっかけポイント

Permutation Importance

❌ 特徴量を学習データから削除して再学習するのが必須
⭕ 学習済みモデルで特徴量を並び替え、性能変化を見る

SHAP

❌ モデル性能の低下量そのもの
⭕ 予測の特徴量寄与

因果

❌ 重要度が高い=因果原因
⭕ 予測への依存・寄与と因果は別

まとめ(試験直前用)

  • Permutation=シャッフル→性能低下
  • SHAP=Shapley値→寄与
  • Permutationは全体重要度を見る用途が代表的
  • SHAPは個別説明+集約が可能
  • 相関特徴量に注意
  • 重要度と因果を混同しない

© 2024-2026 stemtazoo. All rights reserved.