J. Castro, I. Gutiérrez, D. Gómez, D. Santos, R. Espínola, J. A. Guevara
Un problema existente en la realidad es medir la importancia que tienen las distintas características (o variables) de una base de datos en un modelo fijado de Machine Learning. Las aproximaciones realizadas hasta ahora desde la teoría de juegos cooperativa se pueden dividir en dos grupos. Por un lado, las que se centran en ver la desviación de las predicciones al cambiar el modelo eliminando las variables no presentes en la coalición. Por otro lado, las que se basan en ver la desviación de las predicciones sin varían el modelo, pero estimando de forma azarosa la informa de las variables no presentes en la coalición. En este trabajo, y dentro de este segundo enfoque, se propondrá una nueva forma de estimar las variables no presentes en la coalición, en base a la información de las variables presentes en la coalición y no de forma azarosa. Esta nueva forma de proceder da lugar a propiedades deseables para la importancia cuando es medida mediante el valor de Shapley de dicho juego.
Palabras clave: Juego Cooperativo, Machine Learning, Shapley Value, Importancia de variables
Programado
Teoría de Juegos
9 de noviembre de 2023 16:50
CC2: Sala Conferencias