Demo: explicabilidad de modelos

Dos modelos de árboles modernos (XGBoost y CatBoost) fueron entrenados para predecir la cancelación de clientes. Compare métodos de explicación, mida la calidad de cada uno y vea cuál sugiere la demo.

1. ¿Qué variables pesan más?

Cada método responde de forma distinta. La primera columna es la referencia: el efecto real medido al “quitar” cada variable del modelo. Las variables marcadas como ruido fueron creadas sin efecto alguno.

2. ¿Qué método explica mejor?

Cada método recibe notas de 0 a 1 en cinco criterios. Ajuste la importancia de cada criterio y vea cambiar la sugerencia.

Restablecer pesos

3. Explicando a un cliente

SHAP y LIME explican el mismo caso. Las barras a la derecha aumentan el riesgo de cancelación; a la izquierda, lo reducen.