A Novel Approach to Integrating Shapley Values into Feature Space
Presentamos un método que, a partir de un modelo de caja negra con función de predicción diferenciable de cualquier orden, construye un modelo subrogado interpretable que, bajo supuestos razonables, aproxima al original. El modelo subrogado genera sus predicciones mediante una descomposición funcional en efectos principales e interacciones hasta un orden de truncamiento especificado, donde cada término es globalmente interpretable según las variables implicadas. A partir de esta descomposición se calculan valores de Shapley locales mediante dividendos de Harsanyi, lo que permite descomponer la atribución de cada variable en contribuciones por orden de interacción. El enfoque proporciona así una interpretación estructurada y jerárquica del modelo. Finalmente, se analizan las limitaciones del método y las condiciones en las que el modelo subrogado puede perder fidelidad respecto al modelo original.
Palabras clave: Modelo subrogado interpretable Descomposición funcional Valor de Shapley