Demo: explicabilidade de modelos

Dois modelos de árvores modernos (XGBoost e CatBoost) foram treinados para prever cancelamento de clientes. Compare métodos de explicação, meça a qualidade de cada um e veja qual a demo sugere.

1. Quais variáveis mais pesam?

Cada método responde de um jeito. A primeira coluna é a referência: o efeito real medido ao “apagar” cada variável do modelo. Variáveis marcadas como ruído foram criadas sem efeito algum.

2. Qual método explica melhor?

Cada método recebe notas de 0 a 1 em cinco critérios. Ajuste a importância de cada critério e veja a sugestão mudar.

Restaurar pesos

3. Explicando um cliente

SHAP e LIME explicam o mesmo caso. Barras à direita aumentam o risco de cancelamento; à esquerda, diminuem.