Interpretação de redes neurais artificiais

Abstract

O artigo apresenta uma análise comparativa entre modelos estatísticos e de aprendizado de maquina, destacando que os modelos de aprendizado de máquina são mais competitivos em relação à previsão, classificação e agrupamento de dados, mas possuem limitações na interpretação e generalização de resultados. Nesse contexto, á abordada a técnica SHAP como uma forma de interpretar algoritmos complexos e melhorar a compreensão dos modelos de aprendizado de máquina, identificando as covariáveis mais importantes. O estudo também demonstra que a rede neural tem maior capacidade de predição para dados mais complexos, porém o tempo computacional necessário para ajustar esses modelos á significativamente maior em relação ' Regressão Linear Múltipla. Portanto, a interpretabilidade dos modelos é fundamental para o entendimento das decisões tomadas pelo algoritmo, fornecendo insights valiosos para a otimização do processo preditivo.