Explicabilitat de models d’Aprenentatge Automàtic mitjançant valors SHAP

Abstract

[en] This project analyses the behaviour of a machine learning regression model through explainability techniques based on SHAP (SHapley Additive exPlanations). The main objective is not only to achieve accurate predictions, but also to understand how and why the model makes its decisions. The work is structured into two main parts. The first, of a theoretical nature, introduces the fundamentals of machine learning applied to regression problems, as well as the concept of Shapley values, their origin in game theory, and their adaptation to model explainability through the SHAP framework. The second part focuses on the practical implementation of the methodology. It describes the data preprocessing pipeline, model training, and evaluation process. Using a Random Forest Regressor and the SHAP Python library, the influence of different features on house price predictions is analysed from both global and local perspectives. The results show that the model relies on features that are consistent with domain knowledge and that explainability techniques provide clear and transparent insights into the model’s decision-making process. This improves the interpretability, reliability, and trustworthiness of the predictive system.

[ca] En aquest projecte s’analitza el comportament d’un model d’aprenentatge automàtic de regressió mitjançant tècniques d’explicabilitat basades en SHAP (SHapley Additive exPlanations). L’objectiu principal no és únicament obtenir bones prediccions, sinó comprendre com i per què el model pren les seves decisions. El treball es divideix en dos grans blocs. En el primer, de caràcter teòric, es presenten els fonaments de l’aprenentatge automàtic aplicat a problemes de regressió, així com el concepte de valors de Shapley, el seu origen en la teoria de jocs i la seva adaptació al camp de l’explicabilitat de models mitjançant SHAP. En el segon bloc, de caràcter pràctic, es descriu el procés complet de tractament del conjunt de dades, entrenament del model i anàlisi dels resultats. A partir de l’ús d’un model Random Forest Regressor i de la llibreria SHAP en Python, s’estudia com les diferents variables influeixen en la predicció del preu dels habitatges, tant des d’una perspectiva global com local. Els resultats obtinguts mostren que el model basa les seves prediccions en característiques coherents amb el domini del problema i que les tècniques d’explicabilitat permeten interpretar de manera clara i transparent el seu comportament, reforçant la fiabilitat i la comprensió del sistema predictiu.

[es] En este proyecto se analiza el comportamiento de un modelo de aprendizaje automático de regresión mediante técnicas de explicabilidad basadas en SHAP (SHapley Additive exPlanations). El objetivo principal no es únicamente obtener buenas predicciones, sino comprender cómo y por qué el modelo toma sus decisiones. El trabajo se divide en dos grandes bloques. En el primero, de carácter teórico, se presentan los fundamentos del aprendizaje automático aplicado a problemas de regresión, así como el concepto de valores de Shapley, su origen en la teoría de juegos y su adaptación al campo de la explicabilidad de modelos mediante SHAP. En el segundo bloque, de carácter práctico, se describe el proceso completo de tratamiento del conjunto de datos, entrenamiento del modelo y análisis de los resultados. A partir del uso de un modelo Random Forest Regressor y de la librería SHAP en Python, se estudia cómo las diferentes variables influyen en la predicción del precio de las viviendas, tanto desde una perspectiva global como local. Los resultados obtenidos muestran que el modelo basa sus predicciones en características coherentes con el dominio del problema y que las técnicas de explicabilidad permiten interpretar de manera clara y transparente su comportamiento, reforzando la fiabilidad y la comprensión del sistema predictivo.