GLMの結果

ノードを実行した後、ノードを右クリックして結果を選択すると、結果ビューを開くことができます。

結果ビューでグラフとテーブルを作成するために使用されるデータをダウンロードするには、次の手順を実行します。

1. ダウンロードするデータを含むレポートに移動し、をクリックします。
2. 生データまたはフォーマットされたデータを選択します。

   生データを選択すると、生成されたCSVファイルのデータは次のようにフォーマットされます。

   • 列見出し行は列名で構成されます。
   • 行データはフォーマットされていません。

   フォーマットされたデータを選択すると、生成されたCSVファイルのデータは次のようにフォーマットされます。

   • 列見出し行は、結果ビューの出力データに表示される列名で構成されます。
   • 日付または時刻に関連するデータは、指定された形式に従ってフォーマットされます
   • 小数を含む値は、小数点以下4桁に切り捨てられます
   • ロケールがカンマを小数点記号として使用する場合、セミコロンが列区切り記号として使用されます
   • 結果のCSVファイル名はReportName_formatted.csvのようにフォーマットされます

出力データタブでは、ノードによって生成されたデータを表示、保存、および探索できます。詳細については、探索とビジュアル化を参照してください。

いくつかのグラフには、グラフの生成方法についての詳細な説明があります。説明には、特定のデータやモデルに合わせてカスタマイズされたグラフを解釈する方法に関する情報も含まれています。これらの詳細な説明にアクセスするには、次の手順を実行します。

• をクリックして個々のグラフを展開します。詳細な説明は右側のパネルにあります。
• 個々のグラフでを選択します。詳細説明のウィンドウが表示されます。

ノード

• 相対性プロット — 最終モデルに含まれる各クラスの主効果に対して相対性プロットを表示します。このプロットは、参照水準、つまりパラメーター推定値の指数に関する各水準の相対性を示します。プロット上の間隔は、指定された信頼水準に基づく信頼下限と信頼上限を示します。右上隅のドロップダウンメニューを使用して、プロットに表示する変数を選択できます。この結果は、相対性プロットを作成するが選択されている場合のみ表示されます。
• t 値とパラメーター — 各入力パラメーターに関連付けられたt値と切片の棒グラフを表示します。正のt値は青いバーで示し、負のt値はオレンジ色のバーで示します。
  注: このプロットは、選択法プロパティの値が(なし)、減少法、高速減少、増加法、ステップワイズ法の場合にのみ使用できます。
• 推定値 (パラメーター) — 一般化線形モデルの各パラメーターの推定値の絶対値の棒グラフを表示します。棒は、パラメーター推定値の符号(正または負)を示すために色分けされています。正の(+)色を使用する棒は正のパラメーター推定値に対応し、パラメーター値が増加するにつれて予測ターゲット値が増加することを示します。負の(-)色を使用する棒は負のパラメーター推定値に対応し、パラメーター値が増加するにつれて予測ターゲット値が減少することを示します。
  注: このグラフは、選択法プロパティの値がLASSOである場合にのみ使用できます。
• パラメーター推定値 — パラメーターの推定値に関連するさまざまな統計量のテーブルを表示します。これらの統計量には、t値、符号、推定値、絶対推定値、p値、カイ2乗値、および標準誤差が含まれます。
• 選択の要約 — 反復数、追加中と削除中の効果に関するテーブルを表示します。このテーブルには、SBCと最適なSBCも含まれています。
• GLM の当てはめ統計量 — GLMの当てはめ統計量に関するデータのテーブルを表示します。このテーブルには、統計、対応する定性的説明、および学習、検証、テストの値が含まれています。
  注: 欠損値のあるオブザベーションは、モデル当てはめ時には除外されます。ただし、欠損値のあるオブザベーションは、アセスメントの際には含まれます。そのため、ノードタブのGLM 当てはめ統計量テーブルとアセスメントタブの当てはめ統計量テーブルでは、平均平方誤差の統計量が異なる場合があります。
• ノードスコアコード — ノードによって作成された SAS スコアコードを表示します。SAS スコアコードは SAS Model Studio 環境外で新しいデータをスコアリングするために使用できます。
• パススコアコード — ノードおよびすべての先行ノードによって作成された SAS スコアコードを表示します。SAS モデルスコアコードは SAS Model Studio 環境外で新しいデータをスコアリングするために使用できます。
• DS2 パッケージコード — ノードによって作成された SAS DS2 パッケージコードを表示します。SAS スコアコードは、カスタムユーザーアプリケーションで SAS Model Studio 環境外でも使用できます。DS2 パッケージコードは、モデルを SAS Micro Analytic Service にパブリッシュするときに使用されます。
• スコア入力 — スコア計算用の入力変数に関するデータのテーブルを表示します。このテーブルには、変数名、役割、水準、種類、ラベル、出力形式、および長さが含まれています。
• スコア出力 — スコア計算用の予測応答変数に関するデータのテーブルを表示します。このテーブルには、変数名、役割、種類、出力形式、長さ、そして作成者、作成者のGUID、および関数が含まれています。
• 学習コード — SAS Model Studio がノードの学習に使用した SAS コードを表示します。
• プロパティ — ノードを実行する前に選択されたさまざまなプロパティを指定します。
• 出力 — GLM実行のSAS出力を表示します。

アセスメント

• 予測レポート — 予測平均とターゲット平均をモデルの深さの関数として表示します。予測平均とターゲット平均は、データの役割ごとに与えられています。予測平均をターゲット平均の関数として調べるには、右上隅にあるドロップダウンメニューを使用します。
• 当てはめ統計量 — モデルの当てはめ統計量をデータの役割別に表示します。
  注: 欠損値のあるオブザベーションは、モデル当てはめ時には除外されます。ただし、欠損値のあるオブザベーションは、アセスメントの際には含まれます。そのため、ノードタブのGLM 当てはめ統計量テーブルとアセスメントタブの当てはめ統計量テーブルでは、平均平方誤差の統計量が異なる場合があります。

モデルの解釈可能性

• 代理モデル変数の重要度 — 変数水準やラベルなど、入力変数の相対重要度のテーブルを表示します。相対重要度は、各入力変数の1水準のディシジョンツリーを使用して計算され、予測値をグローバル代理モデルとして予測します。
• PD プロット — 入力変数とモデル予測間の関数関係を表示します。間隔尺度の入力変数の場合、平均ターゲット予測の95%信頼区間は、折れ線の周りの影付きの帯で示されます。X軸には、入力変数の分布を示すヒートマップが含まれています。入力変数の極値は、その分布の左裾と右裾を切り捨てることによって削除されます。切り捨ての量は、左裾の切断および右裾の切断プロパティの値を指定することで制御できます。
• PD と ICE 重ね合わせプロット —入力変数とモデル予測の関数関係、および個々のオブザベーションとモデル予測の関数関係を表示します。個々のオブザベーションについて、対応するICEカーブは、X軸に入力変数の値を表示し、Y軸にターゲット変数の対応する予測される確率または予測を表示します。これにより、他の入力変数値をそのオブザベーションで一定に保ちます。X軸には、入力変数の分布を示すヒートマップが含まれています。入力変数の極値は、その分布の左裾と右裾を切り捨てることによって削除されます。切り捨ての量は、左裾の切断および右裾の切断プロパティの値を指定することで制御できます。
• LIME 説明 — LIMEアルゴリズムは、個々のオブザベーションを中心に、より解釈しやすい線形モデルを計算します。グラフには、ローカル代理線形回帰モデルで選択された入力変数の回帰推定値が表示されます。入力変数は、ローカル回帰モデルの最も重要な変数がグラフの下部になるように、重要度順に並べられています。LASSO手法は、モデルの学習に使用される入力変数のセットから最も重要な予測子を選択するために使用されます。各名義尺度の入力変数は、個々のオブザベーションの水準と一致するかどうかに基づいてバイナリエンコードされます。正の推定は、入力変数の観測値がイベントの予測確率を増加させることを示します。
• HyperSHAP 値 — 個々のオブザベーションで、入力変数のHyperSHAP値は、入力変数の観測値の予測された確率またはターゲット変数の予測に寄与します。HyperSHAP値は、加重最小二乗回帰を当てはめることによって得られる回帰係数です。すべての入力変数のHyperSHAP値の合計は1です。入力変数は、HyperSHAPの絶対値に応じた最も重要な変数がグラフの一番上になるように、重要度順に並べられています。各名義尺度の入力変数は、個々のオブザベーションと一致するかどうかに基づいてバイナリエンコードされます。間隔尺度の入力変数は、個々のオブザベーションへの近接度に基づいてバイナリエンコードされます。
• LIME 情報テーブル — LIME法の実行に使用される設定に関する情報を表示します。
• LIME 忠実度テーブル — LIME法を使用して計算されたローカル説明予測の精度に関する情報を、ブラックボックス機械学習モデルと比較して表示します。モデル予測、Explainerの予測、Explainerの平均平方誤差の平方根(RMSE)が表示されます。

公平性とバイアス

結果ビューの公平性とバイアスタブにあるプロットは、特定の感度変数内の異なるグループに対するモデルのパフォーマンスの潜在的な違いを強調しています。バイアスについては、モデルの予測だけでなく、モデルのパフォーマンスと精度の両方を評価し、レポートしています。公平性とバイアスタブで確認された差異は、モデル予測を使ってディシジョンを行う前に慎重に検討する必要があります。

• パフォーマンスバイアス — バイアスを評価するために選択された変数の各水準でグループ化された当てはめ統計量を表示します。間隔尺度のターゲット変数について、次の統計情報が表示されます。
  • ASE — 平均平方誤差
  • RASE — 平均平方誤差の平方根(RASE)
• 予測バイアス — バイアスを評価するために選択された変数の各水準(欠損値を含む)の平均予測値を表示します。
• パフォーマンスバイアス均衡 — パフォーマンスバイアスチャートの各当てはめ統計量について、最高値を持つ変数水準と最低値を持つ変数値の差を表示します。
• 予測バイアス均衡 — イベントの平均予測値が最も高い変数水準と、イベントの平均予測値が最も低い変数水準の差を表示します。
• バイアスメトリック — 感度変数の各レベルのアセスメント統計量を表示します。バイアスを評価するために選択した変数ごとに、これらのアセスメント統計量を表示できます。
• バイアス均衡指標 — レベル間のアセスメントメトリックの比較を表示します。バイアスを評価するために選択した変数ごとに、このレポートを表示できます。
• Bias Mitigation Metrics — Displays one or more key fairness statistics for each variable that is selected for bias assessment. For an interval target, only one statistic is listed, whereas for a class target (binary or nominal), multiple statistics are listed. The statistics measure and detect whether the model exhibits bias for a sensitive variable. For each statistic, a value closer to zero indicates a more equitable result on average. You can view these statistics for each variable that you select for bias assessment. This report is available starting in 2025.08.