Fundaments de SHAP (El 'Què' i el 'Per què')
Introducció als conceptes teòrics de SHAP (SHapley Additive exPlanations) i la interpretabilitat de models de caixa negra a Portelcore.
1.1. Què és SHAP?
Sección titulada «1.1. ¿Qué es SHAP?»En el ecosistema analítico de Portelcore, los modelos predictivos avanzados como Gradient Boosting (XGBoost, LightGBM) o las Redes Neuronales Profundas actúan con frecuencia como modelos de “caja negra” (Black Box). Aunque estos algoritmos logran precisiones excepcionales, su complejidad inherente impide descifrar de manera directa la lógica subyacente detrás de cada predicción.
SHAP (SHapley Additive exPlanations) es un marco de interpretabilidad unificado que permite auditar y descifrar estas decisiones predictivas de forma justa, matemática y transparente.
Basado en la teoría de juegos cooperativos y la contribución de los Valores de Shapley (cuyo creador, Lloyd Shapley, recibió el Premio Nobel de Economía), SHAP plantea una pregunta fundamental aplicable al Machine Learning:
Si un model genera una predicció determinada, quin és la “contribució justa” de cada variable predictiva (característica) en el desviament d'aquest resultat respecte a la predicció mitjana?
graph TD subgraph Explicación Local de SHAP Base["Valor Base (Promedio Global)<br>E[f(x)]"] -->|"+15% (Retención de Sesiones)"| C1["Contribución Positiva 1"] Base -->|"+20% (Historial de Conversión)"| C2["Contribución Positiva 2"] Base -->|"-10% (Latencia de Red)"| C3["Contribución Negativa 1"] C1 --> Sum["Suma de Atribuciones SHAP<br>(+25%)"] C2 --> Sum C3 --> Sum Sum --> Final["Predicción Final<br>f(x)"] end style Base fill:#2e3440,stroke:#81a1c1,stroke-width:2px,color:#d8dee9 style Final fill:#a3be8c,stroke:#8fbcbb,stroke-width:2px,color:#2e3440 style Sum fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee91.2. Per a què s'utilitza a Portelcore?
Sección titulada «1.2. ¿Para qué se usa en Portelcore?»L'objectiu primordial en integrar SHAP en els nostres fluxos de dades és dotar les prediccions de confiança i traçabilitat. Assegurar que la lògica dels models estigui alineada amb les regles de negoci és una prioritat crítica d'enginyeria.
Els nostres processos analítics implementen SHAP basant-se en quatre pilars fonamentals:
- 1. Confianza y Cumplimiento Normativo:
- Verificar que els models predictius no estiguin biaïxats per variables espúries o “soroll” circumstancial de l'entorn de dades.
- Proporcionar justificacions tècniques clares als comitès de governança i auditoria sobre l'origen d'una decisió automatitzada.
- 2. Auditoría y Depuración (Debugging):
- Funciona com la eina de diagnòstic d'errors predictius per excel·lència.
- Si el model emet una predicció errònia o atípica, SHAP desglossa amb exactitud quines variables van desviar el comportament de l'estimador.
- 3. Descubrimiento de Insights Clínico/Comerciales:
- Identifica correlacions complexes i comportaments no lineals que els mètodes estadístics tradicionals solen passar per alt.
- Permet entendre interaccions creuades (per exemple, com l'efecte de la variable Edat es modula en funció de la Frequència d'Ús).
- 4. Ingeniería de Características Directiva:
- En mesurar l'impacte directe i cuantificable de cada variable en el rendiment real, l'equip de desenvolupament pot descartar variables irrelevants, optimitzant la velocitat del model i reduint la dimensionalitat del conjunt de dades.
1.3. Estructura Cuantitativa de l'Anàlisi SHAP
Sección titulada «1.3. Estructura Cuantitativa del Análisis SHAP»Una explicació de SHAP no produeix classificacions binàries qualitatives senzilles, sinó que entrega un desglossament additiu exacte. Per a qualsevol mostra individual $x$, la predicció es compon de:
1. El Valor Base (Base Value - $E[f(x)]$ )
Sección titulada «1. El Valor Base (Base Value - $E[f(x)]$)»És la mitjana estadística de les prediccions del model sobre el conjunt d'entrenament. És la resposta per defecte que emitiria l'estimador si no comptés amb informació o característiques del registre a predir.
Exemple: “La probabilitat històrica mitjana de fuita d'un client en Portelcore és de 14.5%”.
2. Les Atribucions de SHAP (SHAP Values - $\phi_i$)
Sección titulada «2. Las Atribuciones de SHAP (SHAP Values - $\phi_i$)»És l'impacte real mesurat en l'escala de sortida del model per a cada característica.
- Impacte Positiu ($\phi_i > 0$): Empenyeix la predicció cap amunt, per sobre de la mitjana base (representat visualment en tons càlids).
- Impacto Negativo ($\phi_i < 0$): Reduce la predicción, arrastrándola hacia abajo por debajo de la media base (representado visualmente en tonos fríos).
3. La Predicció Final ($f(x)$)
Sección titulada «3. La Predicción Final ($f(x)$)»El valor predit final per a la mostra específica és la suma matemàtica de les seves parts components:
$$\text{Predicció Final } f(x) = \text{Valor Base } E[f(x)] + \sum_{i=1}^{M} \phi_i$$
On $M$ és el nombre de característiques totals del model.
1.4. Checklist de validació tècnica
Sección titulada «1.4. Checklist de Validación Técnica»Abans de passar a la integració de codi, verifica que domines els següents conceptes clau d'interpretabilitat:
- Entenc que el Valor Base representa la predicció mitjana del model en absència de dades específiques de la mostra. ✓
- Comprendo la propietat additiva fonamental: la suma de tots els valors SHAP i el valor base és matemàticament igual a la predicció final. ✓
- Diferencio correctament entre explicacions locals (orientades a entendre un registre únic) i explicacions globals (orientades a auditar el model complet). ✓

