Entrenar un modelo de aprendizaje automático suele ser solo el primer paso. La parte más complicada es explicar al jefe o a las partes interesadas de la empresa por qué el modelo arrojó este resultado de predicción. Ante un modelo de "caja negra", uno suele quedarse sin palabras. Recientemente descubrí una biblioteca de Python llamada Shapash en GitHub, que se dedica a hacer que los modelos de aprendizaje automático "hablen lenguaje humano" y traduzcan la lógica algorítmica compleja a un lenguaje visual. Permite generar directamente un panel web interactivo que no solo muestra claramente la ponderación de las características del modelo, sino que también facilita una exploración exhaustiva desde perspectivas globales hasta locales. Lo más importante es que todos los gráficos incluyen etiquetas empresariales claras, lo que facilita su comprensión a simple vista para el personal sin conocimientos técnicos. GitHub: https://t.co/WiC2uPKqEK Tiene una excelente compatibilidad y admite los principales marcos de modelos como Catboost, Xgboost, LightGBM y Sklearn. Además de la visualización, puede generar informes de auditoría HTML independientes con un solo clic e incluso proporciona un predictor liviano para la implementación del entorno de producción, que se puede instalar y usar rápidamente a través de pip. Si necesita informar con frecuencia los resultados del modelo a equipos no técnicos o necesita realizar auditorías de cumplimiento del modelo, este proyecto puede ahorrarnos mucho tiempo de explicación.
