MediaOpción múltiple

Pregunta de práctica de AIF-C01

Un equipo está implementando un modelo de regresión para la aprobación de préstamos. Para garantizar la transparencia ante los reguladores, necesitan explicar las predicciones individuales. ¿Qué método de interpretabilidad puede proporcionar explicaciones locales aproximando el modelo con un sustituto más simple?

Elige la mejor respuesta.

Respuesta correcta

  • CLIME

Explicación

LIME (Local Interpretable Model-agnostic Explanations) es la opción correcta porque genera explicaciones locales ajustando un modelo sustituto más simple e interpretable (por ejemplo, regresión lineal o árbol de decisión) alrededor de una sola predicción. Esto permite al equipo explicar por qué se aprobó o rechazó una solicitud de préstamo específica, cumpliendo con los requisitos de transparencia regulatoria sin necesidad de acceder a los detalles internos del modelo original.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

SHAP values

SHAP es un método local pero basado en la teoría de juegos cooperativos, no en modelos sustitutos.

B

Incorrecta

Partial dependence plots

Los gráficos de dependencia parcial muestran el efecto marginal promedio de una característica en todo el conjunto de datos, produciendo una curva global en lugar de una explicación para un solo solicitante. Son tentadores porque son la opción correcta para describir el comportamiento general del modelo a los reguladores, pero la aproximación con un sustituto local requiere LIME.

C

Correcta

LIME

LIME perturba instancias individuales y ajusta un sustituto interpretable disperso, como un modelo lineal, alrededor de cada predicción. Esto produce atribuciones de características locales que explican por qué se aprobó o rechazó una solicitud de préstamo específica, brindando a los reguladores transparencia a nivel de caso en lugar de solo la importancia global de las características.

D

Incorrecta

Permutation feature importance

La importancia de las características por permutación mide cuánto degrada la precisión general del modelo el hecho de mezclar una característica, produciendo una única clasificación global sin atribución por instancia. Es tentadora porque es la opción correcta para identificar qué características impulsan el modelo en general, pero la aproximación con un sustituto local requiere LIME.

Para profundizar

LIME funciona generando muestras perturbadas alrededor de la instancia de interés, ponderándolas por proximidad (usando un núcleo exponencial) y luego entrenando un modelo lineal disperso (por ejemplo, Lasso) sobre esas muestras ponderadas para aproximar el comportamiento del modelo original de manera local. Un comportamiento sutil es que la elección del ancho del núcleo y el número de muestras perturbadas pueden afectar significativamente la estabilidad y fidelidad de la explicación, requiriendo un ajuste cuidadoso en producción. En un escenario del mundo real de aprobación de préstamos, LIME puede resaltar que a un solicitante específico se le denegó el préstamo debido a una relación deuda-ingreso alta, incluso si el modelo global depende en gran medida de la puntuación de crédito.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.