Ir al contenido

Praktyczne zastosowanie i przypadki użycia („Jak”)

Przewodnik po implementacji SHAP w Pythonie dla modeli Machine Learning w Portelcore, zawierający kluczowe wizualizacje i przypadki biznesowe.

0odwiedzin

2.1. Implementacja SHAP w Pythonie (Przepływ Techniczny)

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

Integracja SHAP w potokach Machine Learning Portelcore jest niezwykle elegancka i bezpośrednia dzięki bibliotece Python shap. Poniżej opisano standardowy przepływ techniczny podzielony na trzy fazy:

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

Przed wywołaniem narzędzia wyjaśniającego (explainer), estymator musi być w pełni dopasowany do danych treningowych 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)

Faza 2: Instancjonowanie shap.Explainer

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

„Wyjaśniacz” analizuje drzewa modelu (w przypadku XGBoost wykorzystuje wysoce zoptymalizowaną implementację TreeExplainer) lub ogólne zachowanie, jeśli mamy do czynienia z modelem ogólnym.

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

Obliczamy wartości SHAP na zbiorze testowym, aby kompleksowo ocenić logikę zastosowaną przez model.

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

2.2. Kluczowe Wizualizacje do Podejmowania Decyzji

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

Prawdziwa moc analityczna SHAP leży w jego zdolności do syntezy wizualnej. Dwa złote standardy narzędzi do wizualizacji wdrożone w Portelcore to:

Wykres Beeswarm (rój) podsumowuje istotność i kierunek wpływu każdej cechy w całym zbiorze danych.

Komponent WizualnyReprezentacja i Odczyt Techniczny
Sortowanie w osi YZmienne są sortowane pionowo od największego do najmniejszego średniego wpływu predykcyjnego (wielkość $
Pozycja w osi 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 koloruWskazuje na wartość bezwzględną oryginalnej zmiennej: czerwony dla wysokich wartości atrybutu, niebieski dla niskich.
# 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. Wykres Force Plot (Lokalna Analiza Wyjaśniająca)

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

Wykres siły lub horyzontów wkładu analizuje pojedynczy, indywidualny rekord (tzw. „autopsję” prognozy).

[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:
    • Biorąc pod uwagę Wartość Bazową ($0,15$), zmienne o dodatnim wkładzie (czerwone) przesuwają wynik w górę, podczas gdy zmienne o ujemnym wkładzie (niebieskie) go obniżają.
    • Końcowa Prognoza ($0,52$) to punkt równowagi, w którym obie siły wzajemnie się znoszą ilościowo.

2.3. Strategiczne Przypadki Użycia w Portelcore

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

Nasze architektury wykorzystują interpretowalność SHAP w wielu jednostkach technologicznych:

  1. Gobernanza de Cuentas (portel_user):
    • Identyfikacja wczesnych ostrzeżeń o pogorszeniu jakości usług i anulowaniu subskrypcji, wyjaśniająca zespołowi ds. sukcesu klienta (Customer Success) dokładną przyczynę alertu o rezygnacji.
  2. Seguridad y Detección de Anomalías:
    • Wyjaśnianie ocen ryzyka podejrzanych logowań lub anomalnych zachowań sieci w domenie portelcore.com.
  3. Auditoría de Algoritmos (Anti-Sesgo):
    • Zapewnienie, że nie ma zmiennych wprowadzających pośrednie uprzedzenia demograficzne lub rasowe w wewnętrznych modelach predykcyjnych, zgodnie z obowiązującymi przepisami dotyczącymi przejrzystej sztucznej inteligencji.

2.4. Praktyczna lista kontrolna walidacji

Sección titulada «2.4. Checklist de Validación Práctica»

Ukończ kroki walidacji przed przejściem do przewodnika po optymalizacji:

  • Zainstalowałem oficjalną zależność shap i skonfigurowałem wirtualne środowisko testowe w portelcore.com. ✓
  • Udało mi się wytrenować prosty model XGBoost i pomyślnie wyodrębnić jego odpowiedni obiekt Explainer bez błędów typów. ✓
  • Potrafię poprawnie interpretować gradient kolorów i pozycję na osi X wykresu Beeswarm. ✓