IA explicable (XAI) · árboles de decisión

Cuando un modelo decide sobre un crédito, un diagnóstico o una beca, el porqué importa tanto como el qué. La IA explicable (XAI) busca modelos cuyas decisiones se puedan auditar. Los árboles de decisión son el caso ideal: la predicción es su propia explicación — un camino de preguntas de la raíz a la hoja.

Mi trabajo de posdoc profundiza en árboles de decisión y aprendizaje interpretable: no solo qué tan preciso es un modelo, sino qué tan legible, y cómo diagnosticar sus fallos.

Pruébalo

La demo entrena un árbol C4.5 real sobre datos sintéticos de aprobación de crédito. Puedes:

• Leer el modelo: mueve la instancia (what-if) y observa el camino que justifica la decisión.
• Elegir el criterio de split: twoing, ganancia de información (ID3) o razón de ganancia (C4.5), y ver cómo cambian los cortes.
• Ver los fallos reales: al crecer la profundidad aparece el bloat (el árbol se dispara en nodos sin mejorar en prueba) — la poda lo corrige; y bajo desbalance de clases, la accuracy engaña mientras el AUC revela el desempeño real.

Un modelo preciso que nunca detecta a la minoría (los impagos) es inútil: por eso la interpretabilidad y las métricas correctas no son un lujo, son el trabajo.