Glossário IA
O dicionário completo da Inteligência Artificial
Importância Global de Features
Método de interpretação que avalia o impacto médio de cada variável preditiva em todo o modelo, permitindo hierarquizar as features de acordo com sua contribuição global para as previsões.
Valores SHAP Globais
Abordagem baseada na teoria dos jogos que quantifica a contribuição média de cada característica para as previsões do modelo em todo o conjunto de dados, garantindo consistência matemática e propriedades de aditividade.
Gráfico de Dependência Parcial (PDP)
Visualização que mostra o efeito marginal médio de uma ou duas variáveis na previsão do modelo, marginalizando o efeito das outras variáveis para revelar relações globais.
Efeitos Locais Acumulados (ALE)
Técnica de interpretação que calcula o efeito médio das features nas previsões locais, evitando vieses de correlação presentes nos PDPs e fornecendo estimativas mais confiáveis dos efeitos globais.
Modelos Substitutos Globais
Modelos interpretáveis (como árvores de decisão ou regressão linear) treinados para imitar o comportamento global de um modelo complexo de caixa preta, oferecendo uma aproximação simplificada mas compreensível.
Importância de Features por Permutação
Método agnóstico que avalia a importância das variáveis medindo a degradação do desempenho do modelo quando os valores de uma feature são aleatoriamente permutados, revelando sua contribuição global.
Métodos Agnósticos ao Modelo
Abordagens de interpretação que funcionam com qualquer tipo de modelo de aprendizado de máquina sem necessitar acesso à estrutura interna, baseando-se apenas nas entradas-saídas para analisar o comportamento global.
Efeitos Globais de Features
Análise completa do impacto de cada variável nas previsões do modelo através de todo o espaço de dados, combinando direção, magnitude e forma do efeito para uma compreensão holística.
Curvas ICE (Expectativa Condicional Individual)
Visualização que traça as previsões individuais do modelo para diferentes valores de uma característica, permitindo observar a heterogeneidade dos efeitos e agregar essas informações para uma compreensão global.
Estatística H de Friedman
Medida quantitativa que avalia a força das interações entre variáveis nos modelos de machine learning, permitindo identificar as dependências não-lineares que afetam globalmente as previsões.
Visualização Global do Modelo
Conjunto de técnicas gráficas e visuais que permitem representar sinteticamente o comportamento global de um modelo, incluindo as relações entre características, os padrões de decisão e as zonas de certeza.
Contribuição Global das Características
Quantificação da contribuição média de cada característica para a diferença entre as previsões do modelo e uma linha de base de referência, revelando a influência global das variáveis sobre as decisões.
Interpretação Global Específica do Modelo
Métodos de interpretação concebidos especificamente para certos tipos de modelos (como os pesos nas redes neurais ou as regras nas árvores de decisão) para explicar seu comportamento global.
Análise Global de Sensibilidade
Estudo sistemático da variação das saídas do modelo em função das variações de suas entradas em todo o domínio de entrada, identificando os fatores mais influentes sobre o comportamento global.
Extração Global de Regras
Processo que gera um conjunto de regras interpretáveis que capturam o comportamento global de um modelo complexo, transformando as previsões automáticas em conhecimentos explícitos e generalizáveis.