特徴量置換重要度・性能低下分布

固定モデルが各特徴列にどの程度依存するかを同じ検証行上の列単独置換で比較する。

学習済みモデルの係数を固定して比較します。検証表には、モデルの学習に使っていない行を入力してください。

項目を入力・選択してから「計算する」を押してください。

必要な入力・選択は8項目です。

小さいほど良い指標です。重要度は「置換後損失−基準損失」で計算します。

0~4294967295の整数。同じ入力・乱数種なら同じ反復結果になります。

検証表(目的変数・特徴量)必須
行正解 y特徴量 x1特徴量 x2特徴量 x3操作
1
2
3

4列を左端の欄へタブ区切りで貼り付けられます。100行まで。

同じ検証行を3行以上100行以内で入力。列の単位を揃え、欠測を0で代用しないでください。末尾の空行だけ除外します。


計算結果

値を入力して計算してください。

お気に入り一覧

計算方法・適用範囲・出典

計算方法

予測ŷ=b0+b1×x1+b2×x2+b3×x3。基準損失L0は各検証行のMSE=Σ(y−ŷ)²/nまたはMAE=Σ|y−ŷ|/n。1列だけ行順をランダム置換した後の損失をL(j,r)とし、損失増分D(j,r)=L(j,r)−L0。特徴量ごとにDの平均・母SD(分母は反復数R)・最小・最大を集計します。負の増分は置換後に誤差が小さくなったことを示します。Mulberry32によるseed付きFisher–Yatesを使い、他の列と係数は変更しません。

基準損失、列別の平均増分・母標準偏差・最小最大、反復ごとの置換後損失・増分分布。

計算例(架空の数値)

例:3行の正解yとx1がともに0、1、2で、切片0、b1=1、b2=b3=0なら基準MSEは0です。x1を2、1、0の順に置換した回のMSEは8/3で、損失増分も8/3です。

適用対象と限界

別途決定した固定係数の数値線形モデルと、学習に使用していない匿名の検証行。モデルの学習・再学習、一般の分類器や木モデルの実行、R²・ROC・AUC、条件付き置換、因果寄与、相関調整、欠測補完、サンプル重み、入力データの外部送信には対応しません。。

採用した方式

  • 単列置換による性能低下(固定線形モデル v1.0(2026-11-14)):対象範囲 数値3特徴量、検証3–100行、MSE/MAE、反復1–40/適用地域 global

方法と出典

方法:E939 linear permutation loss v1.0 / Mulberry32(2026-11-14、scikit-learn 1.9.0手法参照)。データ記録日:2026-11-14。