As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Valores assimétricos de Shapley A solução de explicação do modelo de previsão de séries temporais SageMaker Clarify é um método de atribuição de recursos baseado na [teoria dos jogos cooperativos](https://en.wikipedia.org/wiki/Cooperative_game_theory), semelhante em espírito ao SHAP. Especificamente, o Clarify usa [valores de grupos de ordem aleatória](http://www.library.fa.ru/files/Roth2.pdf#page=121), também conhecidos como [valores assimétricos de Shapley](https://proceedings.neurips.cc/paper/2020/file/0d770c496aa3da6d2c3f2bd19e7b9d6b-Paper.pdf) em machine learning e explicabilidade. ## Contexto O objetivo é calcular as atribuições dos atributos de entrada de um determinado modelo de previsão *f*. O modelo de previsão recebe as seguintes entradas: + Série temporal passada *(TS de destino)*. Por exemplo, pode ser os passageiros de trem diários do passado na rota Paris-Berlim, indicada por *xt​*. + (Opcional) Uma série temporal covariável. Por exemplo, podem ser festividades e dados meteorológicos, indicados por *zt* ​∈ RS. Quando usada, a covariável TS pode estar disponível apenas para intervalos de tempos passados ou também para os futuros (incluídos no calendário festivo). + (Opcional) Covariáveis estáticas, como qualidade de serviço (como 1ª ou 2ª classe), indicadas por *u* ∈ RE. Covariáveis estáticas, covariáveis dinâmicas ou ambas podem ser omitidas, dependendo do cenário de aplicação específico. Dado um horizonte de predição K ≥ 0 (por exemplo, K = 30 dias), a predição de modelo pode ser caracterizada pela fórmula: *f(x[1:T], z[1:T\$1K], u) = x[T\$11:T \$1K\$11]*. O diagrama a seguir mostra uma estrutura de dependência para um modelo de previsão típico. A predição no tempo *t\$11* depende dos três tipos de entradas mencionados anteriormente. ![\[Estrutura de dependência para um modelo de previsão típico.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/clarify/clarify-forecast-dependency.png) ## Método As explicações são calculadas consultando o modelo de série temporal *f* em uma série de pontos derivados da entrada original. Seguindo os constructos teóricas dos jogos, o Clarify calcula a média das diferenças nas predições conduzidas pela ofuscação (ou seja, pela definição de um valor básico) de partes das entradas de forma iterativa. A estrutura temporal pode ser navegada em ordem cronológica, anticronológica ou ambas. As explicações cronológicas são criadas adicionando informações iterativamente do primeiro intervalo de tempo, enquanto anticronológicas a partir do último. O último modo pode ser mais apropriado na presença de desvio de recência, como na previsão dos preços de ações. Uma propriedade importante das explicações computadas é que elas somam a saída do modelo original se o modelo fornecer saídas determinísticas. ## Atribuições resultantes As atribuições resultantes são pontuações que marcam contribuições individuais de intervalos de tempo específicos ou atributos de entrada para a previsão final em cada intervalo de tempo previsto. O Clarify oferece as duas granularidades a seguir para explicações: + As explicações temporais são econômicas e fornecem informações apenas sobre intervalos de tempo específicos, como o quanto as informações do 19º dia no passado contribuíram para a previsão do 1.º dia no futuro. Essas atribuições não explicam as covariáveis estáticas individualmente e as explicações agregadas das séries temporais covariáveis e de destino. As atribuições são uma matriz *A* em que cada *Atk​* é a atribuição do intervalo de tempo *t* para a previsão do intervalo de tempo *T\$1k*. Observe que, se o modelo aceitar covariáveis futuras, *t* pode ser maior que *T*. + Explicações refinadas são mais intensivas em termos computacionais e fornecem uma análise completa de todas as atribuições das variáveis de entrada. **nota** Explicações refinadas são compatíveis com apenas a ordem cronológica. As atribuições resultantes são um trio composto pelo seguinte: + Matriz *Ax* ∈ RT×K relacionada à série temporal de entrada, em que *Atkx​* é a atribuição de *xt* para a previsão de *T\$1k* + Tensor *Au* ∈ RE×K relacionado à série temporal de covariável, em que *Atskz​* é a atribuição de *zts​* (ou seja, a sétima covariável TS) para a previsão de *T\$1k* + Matriz *Au* ∈ RE×K relacionada às covariáveis estáticas, em que *Aeku​* é a atribuição de *ue* (a oitava covariável estática) para a previsão de *T\$1k* Independentemente da granularidade, a explicação também contém um vetor de deslocamento *B* ∈ *RK* que representa o “comportamento básico” do modelo quando todos os dados são ofuscados.