Interpretabilidad de modelos de Machine Learning con SHAP

Audio automático activado: las próximas preguntas se leerán al hacer clic en Seguir.

1. 1

   ¿En qué concepto matemático se fundamentan los valores SHAP?

   A En los valores de Shapley de la teoría de juegos cooperativos B En el descenso del gradiente de la optimización numérica C En la distancia euclídea entre observaciones
2. 2

   ¿Qué representa normalmente el valor base en una explicación SHAP?

   A La predicción mínima observada en el conjunto de prueba B La salida esperada del modelo sobre los datos de referencia C El valor real de la variable objetivo para la observación
3. 3

   En una explicación local aditiva, ¿qué relación debe cumplirse entre el valor base, los valores SHAP y la predicción?

   

   A El producto de los valores SHAP debe ser igual al valor base B La media de los valores SHAP debe coincidir con la predicción C El valor base más la suma de los valores SHAP debe producir la salida explicada
4. 4

   Si una variable tiene un valor SHAP positivo para una observación, ¿qué indica?

   A Que la variable empuja la salida explicada por encima del valor de referencia B Que la variable tiene necesariamente una correlación positiva con el objetivo C Que la variable fue la más importante durante el entrenamiento
5. 5

   En el gráfico SHAP mostrado, los valores altos de «ingresos» se concentran a la derecha del cero. ¿Cuál es la interpretación adecuada?

   

   A Los ingresos altos reducen habitualmente la salida del modelo B Los ingresos altos tienden a incrementar la salida del modelo C El modelo ignora la variable ingresos
6. 6

   ¿Por qué TreeSHAP suele preferirse para explicar bosques aleatorios y modelos de árboles potenciados?

   A Porque transforma automáticamente cualquier conjunto de árboles en una red neuronal B Porque elimina la necesidad de usar datos de referencia C Porque aprovecha la estructura de los árboles para calcular contribuciones eficientemente
7. 7

   ¿Qué precaución es importante al interpretar SHAP cuando existen variables fuertemente correlacionadas?

   A El crédito puede repartirse o cambiar según cómo se modele la dependencia entre variables B Todas las variables correlacionadas reciben obligatoriamente valores SHAP idénticos C La correlación convierte automáticamente las contribuciones SHAP en efectos causales
8. 8

   Según el gráfico de cascada, ¿qué variable aporta el mayor incremento positivo desde el valor base?

   

   A Antigüedad B Ingresos C Deuda
9. 9

   ¿Qué medida se utiliza habitualmente para ordenar las variables en un gráfico de importancia global SHAP?

   

   A La media de los valores SHAP con su signo B La cantidad de valores distintos de cada variable C La media del valor absoluto de SHAP de cada variable
10. 10

    Un explicador está configurado para producir valores SHAP en escala de log-odds. ¿Por qué no debe interpretarse una contribución de +0,5 como un aumento directo de 50 puntos porcentuales?

    A Porque la escala de log-odds requiere una transformación no lineal para obtener probabilidades B Porque los valores SHAP positivos siempre se convierten en probabilidades negativas C Porque SHAP solo puede explicar modelos de regresión y no clasificadores