XAI: SHAP & LIME

# Descripción

XAI: SHAP & LIME es un proyecto completo de Explainable AI que demuestra cómo interpretar modelos de Machine Learning. Cubre SHAP (SHapley Additive exPlanations) con TreeExplainer para Random Forest y XGBoost, generando summary plots beeswarm, bar plots de importancia global, dependence plots para las 4 features principales y waterfall plots que descomponen predicciones individuales en contribuciones. Incluye LIME (Local Interpretable Model-agnostic Explanations) con explicaciones locales que muestran cómo cada rango de valor contribuye a predicciones específicas. Compara 3 métodos de importancia: built-in de Random Forest, Permutation Importance de scikit-learn y SHAP mean |SHAP|. En clasificación, aplica SHAP multiclase al dataset Wine para visualizar qué features discriminan cada varietal. 14 visualizaciones generadas con matplotlib y seaborn.

$ ./deploy.sh $ git clone

# Características principales

$ SHAP TreeExplainer para Random Forest y XGBoost con 200 muestras de explicación

$ SHAP Summary Beeswarm: distribución de impacto de cada feature en las predicciones

$ SHAP Dependence Plots: relación feature → valor SHAP para las 4 variables más importantes

$ SHAP Waterfall: descomposición visual de predicciones individuales en contribuciones

$ LIME Tabular Explainer: explicaciones locales con modelos sustitutos ponderados

$ Comparación de 3 métodos de importancia: RF built-in vs Permutation vs SHAP

$ SHAP multiclase para clasificación de vinos con XGBoost (3 clases, 100% accuracy)

$ Análisis de features geográficas como driver del precio de vivienda en California

# Galería

Terminal output

SHAP Summary Beeswarm

# Tecnologías utilizadas

scikit-learn pandas numpy matplotlib seaborn SHAP LIME XGBoost Python