🎯 SHAP (SHapley Additive exPlanations)
Basado en teoría de juegos. Calcula la contribución marginal de cada feature promediando sobre todas las posibles coaliciones. Produce valores SHAP consistentes y con base matemática sólida. La librería shap es la más usada.
🔎 LIME
Local Interpretable Model-agnostic Explanations. Aproxima el modelo global con un modelo simple (lineal) alrededor de una predicción específica. Es más rápido que SHAP pero menos estable. Bueno para explicaciones rápidas.
📈 PDP (Partial Dependence Plot)
Muestra cómo cambia la predicción promedio al variar un feature mientras los demás se mantienen constantes. Ideal para entender relaciones marginales. Complemento: ICE plots muestran predicciones individuales.
🔄 Importancia Permutacional
Mide cuánto empeora el modelo al permutar aleatoriamente los valores de un feature. Si la permutación afecta mucho, el feature es importante. Es model-agnostic y rápida de calcular con sklearn.inspection.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
El ML permite a las computadoras aprender patrones de los datos sin ser programadas explicitamente para cada tarea.
Formula clave
Cada algoritmo tiene una funcion de perdida que optimiza durante el entrenamiento.
Paso a paso
El proceso sigue pasos: datos, modelo, entrenamiento, evaluacion.
Error comun: Data leakage
Cuando informacion del test afecta al entrenamiento: validacion invalida.
Ejemplo concreto
Aplica ML a problemas reales de clasificacion y regresion.
Conexion
ML se construye sobre estadistica inferencial y predictiva.