Extracción de efectos espaciales de un modelo de aprendizaje automático utilizando un método de interpretación local: Un ejemplo de SHAP y XGBoost

El aprendizaje automático y la inteligencia artificial (ML/AI), previamente considerados enfoques de caja negra, están volviéndose más interpretables, como resultado de los recientes avances en inteligencia artificial explicable (XAI). En particular, los métodos de interpretación local como SHAP (SHapley Additive exPlanations) ofrecen la oportunidad de modelar, interpretar y visualizar fenómenos y procesos geográficos complejos de forma flexible. En este artículo, utilizamos SHAP para interpretar XGBoost (eXtreme Gradient Boosting) como un ejemplo para demostrar cómo extraer efectos espaciales de los modelos de aprendizaje automático. Realizamos experimentos de simulación que comparan XGBoost explicado por SHAP con el Modelo de Rezago Espacial (SLM) y la Regresión Geográficamente Ponderada Multiescala (MGWR) a nivel de parámetros. Los resultados muestran que XGBoost estima efectos espaciales similares a los de los modelos SLM y MGWR. Se presenta un ejemplo empírico de modelado de servicios de transporte compartido en Chicago para demostrar la utilidad de SHAP con conjuntos de datos reales. Ejemplos y evidencia en este artículo sugieren que los modelos de aprendizaje automático interpretados localmente son buenas alternativas a los modelos estadísticos espaciales y funcionan mejor cuando coexisten y son desconocidos efectos espaciales y no espaciales complejos (por ejemplo, no linealidades, interacciones).