Explicación de modelos
Este es el primer año en el que en mi curso de ciencia de datos (hasta ahora en el EAE; a partir del año que viene, vaya uno a saber si y dónde) introduzco una sección sobre explicación de modelos.
Hay quienes sostienen que, mejor que crear un modelo de caja negra y tratar luego de explicar las predicciones, es recomendable comenzar con un modelo directamente explicable (p.e., un GLM). Por mucha razón que traigan, vox clamantis in deserto: hay y seguirá habiendo modelos de caja negra por doquier.
Pero nuestra natural inclinación a saber nos impulsará siempre a tratar de entender por qué nuestro sistema le da una puntuación de 4.6 a tal vino. Querremos saber qué le falta o le sobra. Querremos saber qué palanca activar para alcanzar el 4.7. Querremos saber siempre.
Como premio de consolación para quienes usen herramientas de caja negra (explicables pero no interpretables, en cierta nomenclatura), existe una creciente y relativamente moderna caja de herramientas teóricas y prácticas. Y una manera accesible de obtener una visión global de lo que hay es leer esto. Aunque sea en diagonal.