Praktická aplikácia a prípady použitia (Ako)
Sprievodca implementáciou SHAP v Pythone pre modely strojového učenia v Portelcore, s kľúčovými vizualizáciami a obchodnými prípadmi.
2.1. Implementación de SHAP en Python (El Flujo Técnico)
Sección titulada «2.1. Implementación de SHAP en Python (El Flujo Técnico)»Integracia SHAP do potrubí strojového učenia Portelcore je veľmi elegantná a priama vďaka knižnici shap v Pythone. Nasleduje popis štandardného technického postupu štruktúrovaného do troch fáz:
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:#2e3440Fase 1: Entrenamiento del Modelo
Sección titulada «Fase 1: Entrenamiento del Modelo»Antes de invocar al explicador, el estimador debe estar completamente ajustado con los datos de entrenamiento del tenant.
import xgboost as xgbfrom sklearn.model_selection import train_test_splitimport pandas as pd
# Carga de datos de usuarios sintéticos de Portelcoredf = 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 precisiónmodel = xgb.XGBClassifier(eval_metric="logloss", random_state=42)model.fit(X_train, y_train)Fáza 2: Inštancia shap.Explainer
Sección titulada «Fase 2: Instanciar el shap.Explainer»Vysvetľovač analyzuje stromy modelu (v prípade XGBoost využíva vysoko optimalizovanú implementáciu TreeExplainer) alebo všeobecné správanie, ak ide o generický model.
import shap
# Inicialización optimizada para modelos basados en árboles (Tree SHAP)explainer = shap.Explainer(model, X_train)Fáza 3: Generovanie atribúcií shap_values
Sección titulada «Fase 3: Generación de Atribuciones shap_values»Vypočítavame hodnoty SHAP na testovacej množine, aby sme komplexne zhodnotili logiku aplikovanú modelom.
# Carga y computación de los valores SHAPshap_values = explainer(X_test)2.2. Visualizaciones Clave para la Toma de Decisiones
Sección titulada «2.2. Visualizaciones Clave para la Toma de Decisiones»Skutočná analytická sila SHAP spočíva v jeho schopnosti vizuálnej syntézy. Dve štandardné nástroje vizualizácie implementované v Portelcore sú:
1. El Gráfico Beeswarm (Análisis Global)
Sección titulada «1. El Gráfico Beeswarm (Análisis Global)»Graf Beeswarm alebo roj sumarizuje dôležitosť a smer vplyvu každej charakteristiky počas celej datovej množiny.
| Componente Visual | Representación y Lectura Técnica |
|---|---|
| Usporiadanie na osi Y | Las variables se ordenan verticalmente de mayor a menor impacto predictivo promedio (magnitud $ |
| Poloha na osi X | Horizontálny posun bodu naznačuje hodnotu SHAP. Hodnoty vpravo ($>0$) zvyšujú pravdepodobnosť udalosti (napr. Churn); vľavo ($<0$), ju znižujú. |
| Farebný prechod | Naznačuje absolútnu hodnotu pôvodnej premennej: Červená pre vysoké hodnoty atribútu, Modrá pre nízke 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. El Force Plot (Análisis Explicativo Local)
Sección titulada «2. El Force Plot (Análisis Explicativo Local)»Graf sily alebo horizonty príspevku analyzuje jeden individuálny záznam (“autopsia” predpovede).
[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 interakcie:
- Vychádzajúc zo Základnej hodnoty ( $0.15$ ), premenné s pozitívnymi príspevkami (červené) zvyšujú výsledok smerom nahor, zatiaľ čo záporné (modré) ho znižujú.
- Záverečná predikcia ( $0.52$ ) je bod rovnováhy, kde obe sily kvantitatívne vzájomne pôsobia.
2.3. Casos de Uso Estratégicos en Portelcore
Sección titulada «2.3. Casos de Uso Estratégicos en Portelcore»Naše architektúry využívajú interpretovateľnosť SHAP v mnohých technologických jednotkách:
- Riadenie účtov (
portel_user):- Identifikácia včasných upozornení na zhoršenie služby a zrušenie predplatného, vysvetľujúca tímu podpory zákazníkov (Customer Success) presný dôvod upozornenia na opustenie.
- Bezpečnosť a detekcia anomálií:
- Vysvetlenie skóre rizika podozrivých prístupov alebo anomálnych sieťových správ v doméne
portelcore.com.
- Vysvetlenie skóre rizika podozrivých prístupov alebo anomálnych sieťových správ v doméne
- Audit algoritmov (proti skresleniu):
- Zabezpečenie, že neexistujú žiadne premenné, ktoré by zavádzali nepriame demografické alebo rasové predsudky v interných prediktívnych modeloch, v súlade s platnou legislatívou transparentnej umelej inteligencie.
2.4. Checklist de Validación Práctica
Sección titulada «2.4. Checklist de Validación Práctica»Dokončite kroky validácie predtým, ako prejdete na sprievodcu optimalizáciou:
- Nainštaloval som oficiálnu závislosť
shapa nakonfiguroval som virtuálne prostredie na testovanie vportelcore.com. ✓ - Úspešne som vycvičil jednoduchý model XGBoost a extrahoval jeho objekt
Explainerbez chýb typu. ✓ - Viem správne interpretovať gradient farby a pozíciu na osi X grafu Beeswarm. ✓

