Glossário IA
O dicionário completo da Inteligência Artificial
Gráfico de dependência parcial
Visualização que mostra a relação marginal entre uma ou duas características e a predição do modelo, calculando a média dos efeitos de todas as outras características para revelar tendências subjacentes. Esta técnica ajuda a entender como mudanças em variáveis específicas afetam as predições globais do modelo.
Mapa de calor de características
Representação gráfica bidimensional que utiliza cores para visualizar a importância ou influência de diferentes características nas predições do modelo. As intensidades de cor indicam o grau de impacto, permitindo uma identificação rápida das variáveis mais influentes.
Diagrama SHAP
Visualização baseada nos valores SHAP (SHapley Additive exPlanations) que mostra como cada característica contribui para deslocar a predição do valor base para a predição final. Estes gráficos permitem interpretar individualmente cada predição quantificando o impacto positivo ou negativo de cada variável.
Gráfico ICE (Individual Conditional Expectation)
Visualização que traça as predições do modelo para instâncias individuais enquanto varia uma característica específica, revelando heterogeneidades nas relações entre variáveis. Diferente dos gráficos PDP que mostram efeitos médios, os gráficos ICE mostram variações a nível individual.
Mapa de decisão LIME
Visualização gerada pelo LIME (Local Interpretable Model-agnostic Explanations) que explica predições individuais criando um modelo localmente interpretável e visualizando as características importantes. Esta técnica permite entender por que um modelo toma uma decisão específica para um caso particular.
Visualização de importância por permutação
Gráfico de barras representando a importância das características calculada medindo a diminuição de performance do modelo quando os valores de uma característica são permutados aleatoriamente. Este método fornece uma avaliação model-agnostic da importância das variáveis baseada no seu impacto real nas predições.
Curva ROC e AUC
Gráfico representando a taxa de verdadeiros positivos em função da taxa de falsos positivos para diferentes limiares de classificação, com a AUC (Area Under Curve) quantificando o desempenho global do classificador. Esta visualização permite avaliar e comparar a capacidade discriminante dos modelos independentemente do limiar escolhido.
Diagrama em cascata
Visualização sequencial mostrando como as contribuições de diferentes características se acumulam para alcançar a predição final do modelo, similar a um diagrama de waterfall financeiro. Cada barra representa o impacto positivo ou negativo de uma característica na predição final.
Gráfico de força local
Representação visual mostrando como cada característica empurra a previsão de um modelo para um valor mais alto ou mais baixo em relação ao valor base esperado. As forças são representadas por setas ou barras coloridas indicando a direção e amplitude da influência.
Visualização de decisão ajustável
Interface interativa permitindo ajustar dinamicamente os valores das características de entrada e observar em tempo real como essas mudanças afetam as previsões do modelo. Essas ferramentas facilitam a exploração de relações complexas e a análise de sensibilidade dos modelos.
Mapa de decisão de ancoragem
Visualização baseada em explicações por âncoras (Anchors) que identifica as condições suficientes para que um modelo mantenha sua previsão, apresentadas na forma de regras if-then. Esses mapas ajudam a entender as regiões de decisão locais mostrando as características críticas que ancoram uma previsão.
Diagrama de dependência
Gráfico bidimensional ou tridimensional ilustrando as relações e dependências entre as características de entrada e as previsões do modelo, frequentemente combinado com densidades de pontos. Esses diagramas revelam as interações não lineares e as correlações complexas nos dados.
Gráfico de contorno de decisão
Visualização em duas ou três dimensões mostrando as fronteiras de decisão de um modelo de classificação através de linhas ou superfícies de contorno coloridas. Esses gráficos permitem entender como o modelo particiona o espaço das características para realizar suas classificações.
Visualização de contrafactual
Representação gráfica mostrando as modificações mínimas necessárias às características de entrada para mudar a previsão do modelo para um resultado desejado diferente. Essas visualizações ajudam a entender as condições limites e explorar cenários hipotéticos.
Árvore de regressão
Variante da árvore de decisão especializada em problemas de regressão, visualizando como o modelo particiona o espaço das características em regiões com valores alvo constantes. Cada folha representa a média dos valores alvo nessa região, facilitando a interpretação das relações não lineares.
Diagrama de fluxo de decisão
Representação esquemática do processo de decisão sequencial de um modelo, mostrando os pontos de decisão, as ações possíveis e os resultados esperados na forma de fluxo lógico. Esses diagramas transformam algoritmos complexos em processos compreensíveis passo a passo.
Mapa de Sensibilidade
Visualização em grade ou superfície que mostra como as previsões do modelo variam sistematicamente quando duas características são modificadas simultaneamente. Esses mapas revelam as interações entre variáveis e identificam regiões de alta sensibilidade no espaço das características.
Visualização de Importância Global
Gráfico sintético apresentando a classificação das características por ordem de importância para todo o modelo, frequentemente na forma de barras horizontais com scores normalizados. Esta visão geral permite identificar rapidamente os fatores mais influentes nas previsões globais do modelo.