Glosario IA
El diccionario completo de la Inteligencia Artificial
Importancia Global de Características
Método de interpretación que evalúa el impacto promedio de cada variable predictiva en todo el modelo, permitiendo jerarquizar las características según su contribución global a las predicciones.
Valores SHAP Globales
Enfoque basado en la teoría de juegos que cuantifica la contribución promedio de cada característica a las predicciones del modelo en todo el conjunto de datos, garantizando coherencia matemática y propiedades de aditividad.
Gráfico de Dependencia Parcial (PDP)
Visualización que muestra el efecto marginal promedio de una o dos variables en la predicción del modelo, marginalizando el efecto de las otras variables para revelar las relaciones globales.
Efectos Locales Acumulados (ALE)
Técnica de interpretación que calcula el efecto promedio de las características en las predicciones locales, evitando los sesgos de correlación presentes en los PDP y proporcionando estimaciones más confiables de los efectos globales.
Modelos Suplentes Globales
Modelos interpretables (como árboles de decisión o regresión lineal) entrenados para imitar el comportamiento global de un modelo de caja negra complejo, ofreciendo una aproximación simplificada pero comprensible.
Importancia de Características por Permutación
Método agnóstico que evalúa la importancia de las variables midiendo la degradación del rendimiento del modelo cuando los valores de una característica se permutan aleatoriamente, revelando su contribución global.
Métodos Agnósticos del Modelo
Enfoques de interpretación que funcionan con cualquier tipo de modelo de aprendizaje automático sin necesidad de acceso a la estructura interna, basándose únicamente en las entradas-salidas para analizar el comportamiento global.
Efectos Globales de Características
Análisis completo del impacto de cada variable en las predicciones del modelo a través de todo el espacio de datos, combinando dirección, magnitud y forma del efecto para una comprensión holística.
Curvas ICE (Expectativa Condicional Individual)
Visualización que traza las predicciones individuales del modelo para diferentes valores de una característica, permitiendo observar la heterogeneidad de los efectos y agregar esta información para una comprensión global.
Estadístico H de Friedman
Medida cuantitativa que evalúa la fuerza de las interacciones entre variables en los modelos de machine learning, permitiendo identificar las dependencias no lineales que afectan globalmente las predicciones.
Visualización Global del Modelo
Conjunto de técnicas gráficas y visuales que permiten representar sintéticamente el comportamiento global de un modelo, incluyendo las relaciones entre características, los patrones de decisión y las zonas de certeza.
Contribución Global de Características
Cuantificación de la contribución promedio de cada característica a la diferencia entre las predicciones del modelo y una línea base de referencia, revelando la influencia global de las variables en las decisiones.
Interpretación Global Específica del Modelo
Métodos de interpretación diseñados específicamente para ciertos tipos de modelos (como los pesos en las redes neuronales o las reglas en los árboles de decisión) para explicar su comportamiento global.
Análisis Global de Sensibilidad
Estudio sistemático de la variación de las salidas del modelo en función de las variaciones de sus entradas sobre todo el dominio de entrada, identificando los factores más influyentes en el comportamiento global.
Extracción Global de Reglas
Proceso que genera un conjunto de reglas interpretables que capturan el comportamiento global de un modelo complejo, transformando las predicciones automáticas en conocimientos explícitos y generalizables.