Ir al contenido

Практическое применение и случаи использования (Как)

Руководство по реализации SHAP на Python для моделей машинного обучения в Portelcore с ключевыми визуализациями и бизнес-кейсами.

0просмотры

2.1. Реализация SHAP на Python (Технический поток)

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

Интеграция SHAP в конвейеры машинного обучения Portelcore очень элегантна и прямолинейна благодаря библиотеке shap Python. Далее описывается стандартный технический поток, структурированный в три фазы

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

Фаза 1: Обучение модели

Sección titulada «Fase 1: Entrenamiento del Modelo»

Перед вызовом экспликатора оценщик должен быть полностью отрегулирован с данными обучения арендатора.

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)

Фаза 2: Создание экземпляра shap.Explainer

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

«Объяснитель» анализирует деревья модели (в случае XGBoost использует высокооптимизированную реализацию TreeExplainer) или общее поведение, если речь идет о общей модели

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

Фаза 3: Генерация Атрибутов shap_values

Sección titulada «Fase 3: Generación de Atribuciones shap_values»

Мы вычисляем значения SHAP на тестовом наборе для всесторонней оценки логики, применяемой моделью.

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

2.2. Ключевые визуализации для принятия решений

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

Истинная аналитическая сила SHAP заключается в его способности к визуальному синтезу. Две стандартные золотые визуализационные инструменты, реализованные в Portelcore, это:

1. График Beeswarm (Глобальный анализ)

Sección titulada «1. El Gráfico Beeswarm (Análisis Global)»

График Beeswarm или рой суммирует важность и направление влияния каждого признака на протяжении всего набора данных.

Визуальный компонентПредставление и техническая интерпретация
Упорядочение по Оси YПеременные упорядочены вертикально от большего к меньшему среднему прогнозируемому воздействию (величина $
Позиция на Оси XГоризонтальное смещение точки указывает на значение SHAP. Значения справа ($>0$) увеличивают вероятность события (например, churn); слева ($<0$), уменьшают.
Градиент ЦветаУказывает на абсолютное значение исходной переменной: Красный для высоких значений атрибута, Синий для низких.
# 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. График Force Plot (Локальный объяснительный анализ)

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

График силы или горизонты вклада анализирует один уникальный индивидуальный запись („автопсия“ предсказания).

[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)
  • Логика взаимодействия:
    • Начиная с базового значения ($0,15$), переменные с положительными вкладами (красные) тянут результат вверх, а отрицательные (синие) уменьшают его.
    • Окончательное предсказание ($0,52$) - это точка равновесия, где обе силы количественно нейтрализуют друг друга.

2.3. Стратегические случаи использования в Portelcore

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

Наши архитектуры используют интерпретируемость SHAP в нескольких технологических единицах:

  1. Управление учетными записями (portel_user):
    • Определение ранних предупреждений о деградации сервиса и отмене подписок, объясняя команде поддержки клиентов (Customer Success) точную причину предупреждения о броске.
  2. Безопасность и обнаружение аномалий:
    • Объяснение оценок риска подозрительных доступов или аномального поведения сети в домене portelcore.com.
  3. Аудит алгоритмов (анти-смещения):
    • Гарантия того, что нет переменных, которые вводят косвенные демографические или расовые предубеждения в внутренних прогностических моделях, в соответствии с действующим законодательством о прозрачном ИИ.

2.4. Контрольный список практической валидации

Sección titulada «2.4. Checklist de Validación Práctica»

Завершите шаги валидации, прежде чем переходить к руководству по оптимизации:

  • Я установил официальную зависимость shap и настроил виртуальную среду тестирования в portelcore.com. ✓
  • Успешно обучил простую модель XGBoost и извлек ее объект Explainer без ошибок типов. ✓
  • Правильно интерпретирую градиент цвета и позицию на оси X графика Beeswarm. ✓