Ir al contenido

Praktická aplikace a případy použití (Jak)

Průvodce implementací SHAP v Pythonu pro modely strojového učení v Portelcore, s klíčovými vizualizacemi a obchodními případy.

0čtení

Integrace SHAP do pipeline strojového učení společnosti Portelcore je díky knihovně Python shap nesmírně elegantní a přímočará. Níže je popsán standardní technický workflow rozdělený do tří fází:

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

Před vyvoláním vysvětlovače musí být odhadce plně přizpůsoben trénovacím datům tenanta.

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)

„Vysvětlovač“ analyzuje stromy modelu (v případě XGBoost používá vysoce optimalizovanou implementaci TreeExplainer) nebo obecné chování, pokud se jedná o obecný model.

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

Vypočítáme hodnoty SHAP na testovací sadě, abychom komplexně vyhodnotili logiku aplikovanou modelem.

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

Skutečná analytická síla SHAP spočívá v jeho schopnosti vizuální syntézy. Dva zlaté standardy vizualizačních nástrojů implementovaných v Portelcore jsou:

Graf Beeswarm nebo roj shrnuje důležitost a směr dopadu každé vlastnosti napříč celým souborem dat.

Vizuální komponentaReprezentace a technické čtení
Řazení na ose YProměnné jsou seřazeny vertikálně od největšího po nejmenší průměrný prediktivní dopad (velikost $
Pozice na ose XHorizontální posunutí bodu indikuje hodnotu SHAP. Hodnoty vpravo ($>0$) zvyšují pravděpodobnost události (např. Churn); vlevo ($<0$), snižují.
Barevný gradientIndikuje absolutní hodnotu původní proměnné: Červená pro vysoké hodnoty atributu, Modrá pro nízké hodnoty.
# 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."

2. Force Plot (Lokální vysvětlující analýza)

Sección titulada «2. El Force Plot (Análisis Explicativo Local)»

Graf síly nebo horizonty příspěvků analyzuje jednotlivý záznam (”autopsii” předpovědi).

[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)
  • Logika interakce:
    • Vycházejíc z základní hodnoty ($0.15$), proměnné s kladnými příspěvky (červené) tlačí výsledek směrem nahoru, zatímco záporné (modré) jej snižují.
    • Konečná předpověď ($0.52$) je rovnovážný bod, kde se obě síly kvantitativně vyrovnají.

2.3. Strategické případy užití v Portelcore

Sección titulada «2.3. Casos de Uso Estratégicos en Portelcore»

Naše architektury využívají interpretovatelnost SHAP ve více technologických jednotkách:

  1. Správa účtů (portel_user):
    • Identifikace včasných varování před degradací služeb a zrušením předplatného, s vysvětlením týmu zákaznické podpory (Customer Success) přesného důvodu varování před odchodem.
  2. Bezpečnost a detekce anomálií:
    • Vysvětlit skóre rizika podezřelých přístupů nebo anomálních síťových chování v doméně portelcore.com.
  3. Auditor algoritmů (Anti-Bias):
    • Zajistit, aby neexistovaly žádné proměnné, které by do interních prediktivních modelů vnášely nepřímé demografické nebo rasové předsudky, v souladu s platnou legislativou o transparentní AI.

2.4. Kontrolní seznam praktické validace

Sección titulada «2.4. Checklist de Validación Práctica»

Před přechodem na průvodce optimalizací dokončete kroky validace:

  • Nainstaloval jsem oficiální závislost shap a nakonfiguroval testovací virtuální prostředí v portelcore.com. ✓
  • Dokážu natrénovat jednoduchý model XGBoost a úspěšně extrahovat jeho příslušný objekt Explainer bez chyb typu. ✓
  • Dokážu správně interpretovat barevný gradient a pozici na ose X v grafu Beeswarm. ✓