El impacto de la calibración de probabilidades en la importancia de las variables: un estudio empírico sobre la estabilidad y la interpretabilidad de los modelos de clasificación mediante aprendizaje automático

Tutores: Ricardo González Moyano y Juan Aparicio

Descripción: El objetivo de este Trabajo Fin de Máster es analizar cómo los métodos de calibración de probabilidades pueden afectar a la importancia de las variables en modelos de clasificación basados en aprendizaje automático. Para ello, se entrenarán diferentes clasificadores y se aplicarán técnicas de calibración, como Platt Scaling y regresión isotónica, comparando la importancia de las variables antes y después de calibrar mediante métodos de inteligencia artificial explicable, como SHAP y Permutation Importance. El estudio evaluará tanto los cambios en las magnitudes de importancia como la estabilidad de los rankings de variables, analizando en qué medida las mejoras en la calidad de las probabilidades predichas pueden alterar la interpretación de los modelos.