Ir al contenido

Aplicació Pràctica i Casos d'Ús (El 'Com')

Guia d'implementació de SHAP en Python per a models de Machine Learning a Portelcore, amb visualitzacions clau i casos de negoci.

0lectures

2.1. Implementació de SHAP en Python (El Flux Tècnic)

Sección titulada «2.1. Implementación de SHAP en Python (El Flujo Técnico)»

La integración de SHAP en los pipelines de Machine Learning de Portelcore es sumamente elegante y directa gracias a la librería shap de Python. A continuación se describe el flujo técnico estándar estructurado en tres fases:

graph TD
A["Fase 1: Preparación del Modelo (Entrenamiento)<br>model.fit()"] --> B["Fase 2: Inicialización del Explicador<br>shap.Explainer()"]
B --> C["Fase 3: Computación de Valores SHAP<br>explainer(X_test)"]
C --> D["Fase 4: Renderizado de Visualizaciones<br>(Beeswarm, Force, Bar plots)"]
style A fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9
style B fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9
style C fill:#3b4252,stroke:#4c566a,stroke-width:1px,color:#d8dee9
style D fill:#a3be8c,stroke:#8fbcbb,stroke-width:2px,color:#2e3440

Abans d'invocar l'explicador, l'estimador ha d'estar completament ajustat amb les dades d'entrenament del tenant.

import xgboost as xgb
from sklearn.model_selection import train_test_split
import pandas as pd
# Carga de datos de usuarios sintéticos de Portelcore
df = pd.read_csv("data/portel_user_churn.csv")
X = df.drop(columns=["user_id", "churned", "domain"])
y = df["churned"]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
# Entrenamiento de un clasificador XGBoost de alta precisión
model = xgb.XGBClassifier(eval_metric="logloss", random_state=42)
model.fit(X_train, y_train)

L'"Explicador" analitza els arbres del model (en el cas de XGBoost utilitza la implementació altament optimitzada TreeExplainer) o el comportament general si es tracta d'un model genèric.

import shap
# Inicialización optimizada para modelos basados en árboles (Tree SHAP)
explainer = shap.Explainer(model, X_train)

Calculem els valors SHAP sobre el conjunt de test per avaluar de forma exhaustiva la lògica aplicada pel model.

# Carga y computación de los valores SHAP
shap_values = explainer(X_test)

2.2. Visualitzacions clau per a la presa de decisions

Sección titulada «2.2. Visualizaciones Clave para la Toma de Decisiones»

El veritable poder analític de SHAP reside en la seva capacitat de síntesi visual. Les dues eines de visualització estàndard d'or implementades a Portelcore són:

El gràfic Beeswarm o d'enjambre resume la importància i la direcció de l'impacte de cada característica al llarg de tot el conjunt de dades.

Component visualRepresentació i lectura tècnica
Ordenació en l'eix YLes variables s'ordenen verticalment de major a menor impact predictiu mitjà (magnitud $
Posició en l'Eix XEl desplazamiento horizontal de un punto indica el Valor SHAP. Los valores a la derecha ($>0$) incrementan la probabilidad del evento (p. ej., Churn); a la izquierda ($<0$), la reducen.
Gradient de colorIndica el valor absolut de la variable original: Vermell per a valors alts de l'atribut, Blau per a valors baixos.
# Ejemplo de Interpretación en Negocio:
"Un volumen de 'tickets_soporte_abiertos' alto (Puntos Rojos) se desplaza masivamente hacia la derecha (SHAP > 0), indicando que el modelo asocia de forma robusta la acumulación de incidencias abiertas con el churn de portel_user."

El gràfic de força u horitzons de contribució analitza un únic registre individual (una “autopsia” de predicció).

[Fuerzas Azules: Empujan a la baja] [Fuerzas Rojas: Empujan al alza]
-----------------------------------> <--------------------------------
Latencia Red (-0.12) País Local (-0.08) Tickets Abiertos (+0.35) Sesiones Bajas (+0.22)
|============================= [ Predicción Final: 0.52 ] =============================|
(Valor Base: 0.15)
  • Lógica de Interacción:
    • Partint del Valor Base ($0.15$), les variables amb contribucions positives (Vermelles) tiren del resultat cap amunt, mentre que les negatives (Blaues) el redueixen.
    • La Predicció Final ($0.52$) és el punt d'equilibri on ambdues forces es neutralitzen quantitativament.

Les nostres arquitectures aprofiten l'interpretabilitat de SHAP en múltiples unitats tecnològiques:

  1. Gobernanza de Cuentas (portel_user):
    • Identificació d'alertes d'avís precoç de degradació de servei i cancel·lació de subscripcions, explicant a l'equip de suport al client (Customer Success) el per què exacte de l'alerta d'abandonament.
  2. Seguridad y Detección de Anomalías:
    • Explicar puntuacions de risc d'accessos sospitosos o comportaments anòmals de xarxa en el domini portelcore.com.
  3. Auditoría de Algoritmos (Anti-Sesgo):
    • Garantir que no existeixin variables que introdueixin biaixos demogràfics o racials indirectes en models predictius interns, complint amb la legislació vigent de IA transparent.

Completa els passos de validació abans d'avançar a la guia d'optimització:

  • He instal·lat la dependència oficial shap i he configurat un entorn virtual de proves a portelcore.com. ✓
  • He aconseguit entrenar un model XGBoost senzill i extreure amb èxit el seu objecte Explainer respectiv sense errors de tipus. ✓
  • Sé interpretar correctament el gradient de color i la posició en l'eix X d'un gràfic Beeswarm. ✓