BigQuery 可解釋 AI 總覽

您可以使用可解釋 AI (又稱 XAI)，瞭解機器學習 (ML) 模型為分類和迴歸任務生成的結果。可解釋 AI 會定義資料列中各項特徵對預測結果的影響程度。這項資訊通常稱為「特徵歸因」，可用來確認模型是否正常運作、找出模型偏誤，以及瞭解如何改善模型和訓練資料。

局部與全域可解釋性

可解釋性分為兩種：局部可解釋性和全域可解釋性。這兩者也分別稱為「本機特徵重要性」和「全域特徵重要性」。

• 局部可解釋性會傳回每個解釋範例的特徵歸因值。這些值說明特定特徵對預測結果的影響程度 (相較於基準預測)。
• 全域可解釋性會傳回特徵對模型的整體影響，通常是透過匯總整個資料集的特徵歸因取得。絕對值越高，代表該特徵對模型預測結果的影響越大。

BigQuery ML 的可解釋 AI 產品

BigQuery ML 的可解釋 AI 支援多種機器學習模型，包括時間序列和非時間序列模型。每個模型都採用不同的可解釋性方法。

模型類別	模型類型	可解釋性方法	方法的基本說明	本機說明函式	全域解釋函式
監督式模型	線性與邏輯迴歸	Shapley 值	線性模型的 Shapley 值等於 model weight * feature value，其中特徵值已標準化，且模型權重是以標準化特徵值訓練。	ML.EXPLAIN_PREDICT^1	ML.GLOBAL_EXPLAIN^2
		標準誤差和P 值	標準誤差和 p 值用於對模型權重進行顯著性檢定。	不適用	ML.ADVANCED_WEIGHTS^4
	提升樹 隨機森林	Tree SHAP	Tree SHAP 是一種演算法，可計算決策樹狀圖模型的確切 SHAP 值。	ML.EXPLAIN_PREDICT^1	ML.GLOBAL_EXPLAIN^2
		特徵貢獻度	估算特徵貢獻值。與 Tree SHAP 相比，這種方法更快速簡單。	ML.EXPLAIN_PREDICT^1	ML.GLOBAL_EXPLAIN^2
		以吉尼指數為依據的特徵重要性	全域特徵重要性分數，指出在訓練期間，各項特徵對建構梯度提升樹狀結構或隨機森林模型的實用性或價值。	不適用	ML.FEATURE_IMPORTANCE
	AutoML Tables	Sampled Shapley	取樣 Shapley 會將模型結果的功勞分配給各項特徵，並考量特徵的不同排列組合。這個方法會提供精確 Shapley 值的取樣近似值。	不適用	ML.GLOBAL_EXPLAIN^2
時間序列模型	ARIMA_PLUS	時間序列分解	如果時間序列中存在多個元件，則將時間序列分解為多個元件。這些元件包括趨勢、季節性、節慶、階梯式變化，以及高峰和低谷。詳情請參閱 ARIMA_PLUS 建模管道。	ML.EXPLAIN_FORECAST^3	不適用
	ARIMA_PLUS_XREG	時間序列分解 和 Shapley 值	將時間序列分解為多個元件，包括趨勢、季節性、節慶、逐步變化、高峰和低谷 (類似於 ARIMA_PLUS)。每個外部迴歸器的歸因是根據 Shapley 值計算，等於 model weight * feature value。	ML.EXPLAIN_FORECAST^3	不適用

¹ML_EXPLAIN_PREDICT 是 ML.PREDICT 的擴充版本。

²ML.GLOBAL_EXPLAIN 會傳回全域可解釋性，方法是取得評估資料集中所有資料列的各項特徵平均絕對歸因。

³ML.EXPLAIN_FORECAST 是 ML.FORECAST 的擴充版本。

⁴ML.ADVANCED_WEIGHTS 是 ML.WEIGHTS 的擴充版本。

後續步驟

• 如要進一步瞭解支援可解釋性的模型，以及這類模型支援的 SQL 陳述式和函式，請參閱「機器學習模型的端對端使用者歷程」。