Glosario IA
El diccionario completo de la Inteligencia Artificial
Gráfico de dependencia parcial
Visualización que muestra la relación marginal entre una o dos características y la predicción del modelo, promediando los efectos de todas las demás características para revelar las tendencias subyacentes. Esta técnica ayuda a comprender cómo los cambios en variables específicas afectan las predicciones globales del modelo.
Mapa de calor de características
Representación gráfica bidimensional que utiliza colores para visualizar la importancia o influencia de las diferentes características en las predicciones del modelo. Las intensidades de color indican el grado de impacto, permitiendo una identificación rápida de las variables más influyentes.
Diagrama SHAP
Visualización basada en los valores SHAP (SHapley Additive exPlanations) que muestra cómo cada característica contribuye a desplazar la predicción del valor base hacia la predicción final. Estos gráficos permiten interpretar individualmente cada predicción cuantificando el impacto positivo o negativo de cada variable.
Gráfico ICE (Expectativa Condicional Individual)
Visualización que traza las predicciones del modelo para instancias individuales mientras varía una característica específica, revelando heterogeneidades en las relaciones entre variables. A diferencia de los gráficos PDP que muestran efectos promedio, los gráficos ICE muestran variaciones a nivel individual.
Mapa de decisión LIME
Visualización generada por LIME (Local Interpretable Model-agnostic Explanations) que explica predicciones individuales creando un modelo localmente interpretable y visualizando las características importantes. Esta técnica permite comprender por qué un modelo toma una decisión específica para un caso particular.
Visualización de importancia por permutación
Gráfico de barras que representa la importancia de las características calculada midiendo la disminución en el rendimiento del modelo cuando los valores de una característica se permutan aleatoriamente. Este método proporciona una evaluación independiente del modelo sobre la importancia de las variables basada en su impacto real en las predicciones.
Curva ROC y AUC
Gráfico que representa la tasa de verdaderos positivos en función de la tasa de falsos positivos para diferentes umbrales de clasificación, con el AUC (Área Bajo la Curva) cuantificando el rendimiento global del clasificador. Esta visualización permite evaluar y comparar la capacidad discriminante de los modelos independientemente del umbral elegido.
Diagrama de cascada
Visualización secuencial que muestra cómo las contribuciones de diferentes características se acumulan para alcanzar la predicción final del modelo, similar a un diagrama de cascada financiero. Cada barra representa el impacto positivo o negativo de una característica en la predicción final.
Gráfico de fuerza local
Representación visual que muestra cómo cada característica empuja la predicción de un modelo hacia un valor más alto o más bajo en comparación con el valor base esperado. Las fuerzas se representan mediante flechas o barras de colores que indican la dirección y la magnitud de la influencia.
Visualización de decisión ajustable
Interfaz interactiva que permite ajustar dinámicamente los valores de las características de entrada y observar en tiempo real cómo estos cambios afectan las predicciones del modelo. Estas herramientas facilitan la exploración de relaciones complejas y el análisis de sensibilidad de los modelos.
Mapa de decisión de anclaje
Visualización basada en explicaciones por anclajes (Anchors) que identifica las condiciones suficientes para que un modelo mantenga su predicción, presentadas en forma de reglas if-then. Estos mapas ayudan a comprender las regiones de decisión locales mostrando las características críticas que anclan una predicción.
Diagrama de dependencia
Gráfico bidimensional o tridimensional que ilustra las relaciones y dependencias entre las características de entrada y las predicciones del modelo, a menudo combinado con densidades de puntos. Estos diagramas revelan las interacciones no lineales y las correlaciones complejas en los datos.
Gráfico de contorno de decisión
Visualización en dos o tres dimensiones que muestra los límites de decisión de un modelo de clasificación a través de líneas o superficies de contorno coloreadas. Estos gráficos permiten comprender cómo el modelo particiona el espacio de características para realizar sus clasificaciones.
Visualización de contrafactual
Representación gráfica que muestra las modificaciones mínimas necesarias en las características de entrada para cambiar la predicción del modelo hacia un resultado deseado diferente. Estas visualizaciones ayudan a comprender las condiciones límite y a explorar escenarios hipotéticos.
Árbol de regresión
Variante del árbol de decisión especializada en problemas de regresión, que visualiza cómo el modelo particiona el espacio de características en regiones con valores objetivo constantes. Cada hoja representa el promedio de los valores objetivo en esa región, facilitando la interpretación de relaciones no lineales.
Diagrama de flujo de decisión
Representación esquemática del proceso de decisión secuencial de un modelo, mostrando los puntos de decisión, las acciones posibles y los resultados esperados en forma de flujo lógico. Estos diagramas transforman algoritmos complejos en procesos comprensibles paso a paso.
Mapa de sensibilidad
Visualización en cuadrícula o superficie que muestra cómo las predicciones del modelo varían sistemáticamente cuando se modifican dos características simultáneamente. Estos mapas revelan las interacciones entre variables e identifican las regiones de alta sensibilidad en el espacio de características.
Visualización de importancia global
Gráfico sintético que presenta la clasificación de las características por orden de importancia para todo el modelo, a menudo en forma de barras horizontales con puntuaciones normalizadas. Esta vista general permite identificar rápidamente los factores más influyentes en las predicciones globales del modelo.