Ir al contenido

Praktische Toepassing en Use Cases (Het 'Hoe')

Implementatiegids voor SHAP in Python voor Machine Learning-modellen bij Portelcore, met belangrijke visualisaties en business cases.

0lecturas

2.1. Implementatie van SHAP in Python (De Technische Flow)

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

De integratie van SHAP in de Machine Learning-pipelines van Portelcore is zeer elegant en direct dankzij de Python-bibliotheek shap. Hieronder volgt de standaard technische workflow, gestructureerd in drie fasen:

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

Voordat de explainer wordt aangeroepen, moet de estimator volledig zijn gefit met de trainingsgegevens van de 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)

Fase 2: Instantiëren van de shap.Explainer

Sección titulada «Fase 2: Instanciar el shap.Explainer»

De "Explainer" analyseert de bomen van het model (in het geval van XGBoost wordt de hooggeoptimaliseerde implementatie TreeExplainer gebruikt) of het algemene gedrag als het om een generiek model gaat.

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

We berekenen de SHAP-waarden op de testset om de logica die door het model wordt toegepast grondig te evalueren.

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

2.2. Belangrijkste Visualisaties voor Besluitvorming

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

De ware analytische kracht van SHAP ligt in zijn vermogen tot visuele synthese. De twee gouden standaard visualisatietools die in Portelcore zijn geïmplementeerd, zijn:

De Beeswarm-grafiek vat de belangrijkheid en de richting van de impact van elke feature samen over de gehele dataset.

Visuele ComponentRepresentatie en Technische Lezing
Sortering op Y-asDe variabelen worden verticaal gesorteerd van hoogste naar laagste gemiddelde voorspellende impact (grootte $
Positie op X-asDe horizontale verplaatsing van een punt geeft de SHAP-waarde weer. Waarden rechts ($>0$) verhogen de kans op het evenement (bijv. klantverlies); links ($<0$), verminderen deze.
KleurverloopGeeft de absolute waarde van de oorspronkelijke variabele aan: Rood voor hoge attributiewaarden, Blauw voor lage waarden.
# 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."

Het krachtdiagram of bijdragehorizonten analyseert een enkel individueel record (een 'autopsie' van een voorspelling).

[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)
  • Interactielogica:
    • Uitgaande van de Basiswaarde ($0.15$), trekken variabelen met positieve bijdragen (Rood) het resultaat omhoog, terwijl negatieve (Blauw) het verlagen.
    • De Eindvoorspelling ($0.52$) is het evenwichtspunt waar beide krachten elkaar kwantitatief neutraliseren.

Onze architecturen benutten de interpreteerbaarheid van SHAP in meerdere technologische eenheden:

  1. Accountbeheer (portel_user):
    • Identificatie van vroege waarschuwingen voor serviceverslechtering en annulering van abonnementen, waarbij aan het klantenserviceteam (Customer Success) de exacte reden voor de churn-waarschuwing wordt uitgelegd.
  2. Beveiliging en Anomaliedetectie:
    • Uitleg van risicoscores voor verdachte toegangen of afwijkend netwerkgedrag in het domein portelcore.com.
  3. Algoritme-auditing (Anti-bevooroordeeld):
    • Ervoor zorgen dat er geen variabelen zijn die indirecte demografische of raciale vooroordelen introduceren in interne voorspellende modellen, in overeenstemming met de huidige wetgeving inzake transparante AI.

Voltooi de validatiestappen voordat je doorgaat naar de optimalisatiegids:

  • Ik heb de officiële afhankelijkheid shap geïnstalleerd en een virtuele testomgeving geconfigureerd in portelcore.com. ✓
  • Het lukt om een eenvoudig XGBoost-model te trainen en met succes het bijbehorende object Explainer te extraheren zonder typefouten. ✓
  • Ik weet de kleurverloop en de positie op de X-as van een Beeswarm-grafiek correct te interpreteren. ✓