| Sumario: | Este trabajo de fin de máster se enfoca en la interpretación de modelos de clasificación en el contexto de test neuropsicológicos, utilizando diferentes técnicas de explicabilidad. En concreto, se emplean métodos de explicabilidad global como la importancia de características por permutación (PFI), las gráficas de dependencia parcial (PDP), las gráficas de efectos locales acumulados (ALE) y el uso de modelos sustitutos globales. Mientras que los métodos locales aplicados incluyen las curvas de expectativa condicional individual (ICE), LIME, las reglas condicionales locales y SHAP. La metodología empleada incluye la construcción de modelos predictivos utilizando Auto-gluon y la posterior aplicación de las técnicas de XAI para entender el comportamiento de los modelos. Se presentan análisis de cómo las variables influyen en las predicciones de los modelos y se emplea cada método para proporcionar interpretaciones claras y coherentes de los modelos. Se parte de un conjunto de variables normalizadas, sobre el que se establecen criterios de clasificación en ED1, ED2 y ED3 según umbrales definidos en los test de rendimiento. Además, se estudia cómo la calidad de los modelos entrenados influye en la interpretabilidad de las explicaciones generadas, mostrando que modelos con menor rendimiento producen explicaciones menos fiables y, por tanto, de menor utilidad. Los resultados obtenidos muestran que aunque todos los métodos aportan a una mejor comprensión del modelo, cada uno tiene sus ventajas y limitaciones. En particular, los métodos de explicabilidad global aportan una visión completa del modelo, mientras que los métodos locales incluyen un análisis más detallado a nivel de instancia. Finalmente, se concluye que la combinación de diferentes técnicas de explicabilidad es la mejor estrategia para obtener interpreteaciones claras y útiles en el contexto de modelos complejos.
|
|---|
