Treinar um modelo de aprendizado de máquina geralmente é apenas o primeiro passo. A parte mais difícil é explicar ao chefe ou às partes interessadas do negócio por que o modelo chegou a determinado resultado de previsão. Diante de um modelo de "caixa preta", muitas vezes ficamos sem palavras. Recentemente descobri uma biblioteca Python chamada Shapash no GitHub, dedicada a fazer com que modelos de aprendizado de máquina "falem a linguagem humana" e a traduzir lógica algorítmica complexa em uma linguagem visual. Ele pode gerar diretamente um painel web interativo que não só exibe claramente o peso das variáveis no modelo, como também permite uma exploração aprofundada, desde perspectivas globais até locais. Mais importante ainda, todos os gráficos são acompanhados de rótulos de negócios claros, facilitando a compreensão mesmo por pessoas sem conhecimento técnico. GitHub: https://t.co/WiC2uPKqEK Possui excelente compatibilidade e suporta frameworks de modelagem populares como Catboost, Xgboost, LightGBM e Sklearn. Além da visualização, ele pode gerar relatórios de auditoria HTML independentes com um clique e ainda fornece um preditor leve para implantação em ambiente de produção, que pode ser instalado e usado rapidamente via pip. Se você precisa frequentemente apresentar relatórios de resultados de modelos para equipes não técnicas ou realizar auditorias de conformidade do modelo, este projeto pode nos poupar muito tempo de explicações.
