Referencia de bolsillo sobre aprendizaje automático

Capítulo 13. Explicación de los modelos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Los modelos predictivos tienen distintas propiedades. Algunos están diseñados para manejar datos lineales. Otros pueden amoldarse a entradas más complejas. Algunos modelos pueden interpretarse muy fácilmente, otros son como cajas negras y no ofrecen mucha información sobre cómo se hace la predicción.

En este capítulo veremos cómo interpretar diferentes modelos. Veremos algunos ejemplos utilizando los datos del Titanic.

>>> dt = DecisionTreeClassifier(
...     random_state=42, max_depth=3
... )
>>> dt.fit(X_train, y_train)

Coeficientes de regresión

Los interceptos y los coeficientes de regresión explican el valor esperado y cómo influyen las características en la predicción. Un coeficiente positivo indica que, a medida que aumenta el valor de una característica, también aumenta la predicción.

Función Importancia

Los modelos basados en árboles de la biblioteca scikit-learn incluyen un .fea⁠ture_importances_ para inspeccionar cómo afectan al modelo las características de un conjunto de datos. Podemos inspeccionarlas o trazarlas.

CAL

LIME funciona para ayudar a explicar los modelos de caja negra. Realiza una interpretación local en lugar de una interpretación global. Ayudará a explicar una sola muestra.

Para un determinado punto de datos o muestra, LIME indica qué características fueron importantes para determinar el resultado. ...