Visualizando la explicabilidad en modelos de Machine Learning a través de la Teoría de Juegos.
J. Castro Cantalejo, I. Gutiérrez García-Pardo, D. Santos Fernández, D. Gómez González, R. Espínola Vílchez
En la actualidad, la toma de decisiones basada en modelos de Machine Learning se ha convertido en una práctica común en diversas áreas, lo que hace esencial comprender las métricas que estos modelos proporcionan.
La forma más habitual de hacerlo es mediante métodos XAI y dentro de estos la metodología SHAP es una de las más asentadas. Esta metodología utiliza la teoría de juegos cooperativa para su desarrollo.
Además de conseguir dar valoraciones numéricas que proporcionen la importancia individual de cada uno de las variables que tiene el modelo predictivo, es preciso comprender mejor esta información y la interacción que pudiera tener con otras variables.
En esta comunicación presentaremos una visualización desagregada e intuitiva de esta información de importancia que sin duda ayuda a entender mejor la forma que tiene de actuar las distintas variables en el modelo predictivo. Adicionalmente se darán medidas numéricas que resuman la información gráfica desagregada.
Palabras clave: Teoría de Juegos, Machine Learning, explicabilidad, XAI
Programado
GT Teoría de Juegos I: aplicaciones al ML
3 de septiembre de 2026 09:00
Aula 22
Otros trabajos en la misma sesión
Á. de Prado Saborido, M. Á. Mirás Calvo, E. Sánchez Rodríguez
C. García Fernández, J. A. Tejada Cazorla
J. C. Gonçalves Dosantos, J. Sánchez-Soriano