El Valor de Shapley en el Ciclo de Vida del Machine Learning: Una Revisión Metodológica desde la Regresión Lineal hasta la Inteligencia Artificial Explicable (XAI)

Tutor:  Joaquín Sánchez Soriano

 

DESCRIPCIÓN: El auge de los modelos de Aprendizaje Automático de «caja negra» (redes neuronales, gradient boosting…) ha generado una necesidad crítica de metodologías que aporten transparencia, interpretabilidad y equidad algorítmica. En este escenario, la teoría de juegos cooperativos, y específicamente el valor de Shapley, se ha consolidado como un estándar matemático para la atribución de importancia de variables gracias a sus propiedades axiomáticas de equidad.

Este TFM no se plantea como una mera recopilación del estado del arte actual, sino como un estudio analítico y metodológico integral. El trabajo abordará el valor de Shapley a lo largo de todo el ciclo de vida del modelado de datos: desde la descomposición de la varianza en la estadística lineal clásica, pasando por su uso activo en algoritmos de selección y reducción de variables, hasta llegar a la explicabilidad local y global post-hoc (XAI) en modelos modernos no lineales.