Libro: Interpretable Machine Learning. SHAP (SHapley Additive exPlanations)
Este libro de Christoph Molnar es una guía para hacer que los modelos de “caja negra” de machine learning sean más comprensibles. Primero explica qué es interpretabilidad, y luego revisa modelos sencillos inherente-mente interpretables como árboles de decisión o regresiones lineales. Después, se centra en métodos “agnósticos al modelo” —como LIME, valores de Shapley, importancia de variables o efectos acumulados locales— para explicar tanto el comportamiento global del modelo como predicciones individuales. También cubre técnicas específicas para redes neuronales. Molnar explica cada método en profundidad, discutiendo cómo funciona internamente, cuáles son sus ventajas y limitaciones, y cómo interpretar sus resultados, de modo que el lector pueda elegir y aplicar la técnica adecuada según su proyecto.
El video es un resumen del tema: SHAP (SHapley Additive exPlanations) y ha sido elaborado por:
* Quispe Vilca, Gianella Mariana
* Ramos Orue, Selene Milagros
* Ruiz Espinoza, Arianne Paola
* Salas Molina, César Fabrizio
alumnos del curso de Machine Learning de la carrera de Estadística Informática de la Universidad Nacional Agraria La Molina como parte de las actividades del curso.
Mg. Jesús Salinas Flores
Profesor del curso
source