Efectos locales acumulados

Los efectos locales acumulados ( ALE ) son un método de interpretabilidad de aprendizaje automático . ^{[ 1 ]}

ALE utiliza una distribución de características condicional como entrada y genera datos aumentados, creando datos más realistas que una distribución marginal. ^{[ 2 ]}

Ignora los valores muy fuera de la distribución (valores atípicos). ^{[ 1 ]} A diferencia de los gráficos de dependencia parcial y los gráficos marginales, ALE no se ve afectado por la presencia de predictores correlacionados. ^{[ 3 ]}

Analiza las diferencias en las predicciones en lugar de promediarlas, calculando el promedio de las diferencias en las predicciones del modelo sobre los datos aumentados, en lugar del promedio de las predicciones mismas. ^{[ 2 ]}

Dado un modelo que predice los precios de las viviendas en función de su distancia al centro de la ciudad y el tamaño de la superficie construida, ALE compara las diferencias en las predicciones de viviendas de distintos tamaños. El resultado separa el impacto del tamaño de otras características correlacionadas. ^{[ 1 ]}

La definición de ventanas de evaluación es subjetiva. Las altas correlaciones entre características pueden invalidar la técnica. ^{[ 1 ] [ 3 ]} ALE requiere más observaciones distribuidas de manera más uniforme que PDP para que la distribución condicional pueda determinarse de forma fiable. La técnica puede producir resultados inadecuados si los datos son muy dispersos, lo cual es más común con datos de alta dimensión ( maldición de la dimensionalidad ). ^{[ 2 ]}

• Interpretabilidad (aprendizaje automático)

• Munn, Michael (2022). IA explicable para profesionales . O'Reilly Media, Incorporated. ISBN 978-1-0981-1910-2OCLC 1350433516​​