How Class Imbalance Treatments Distort SHAP Attribution Fidelity: A Monte Carlo Investigation of Ranking and Magnitude Errors
A través de una investigación exhaustiva de Monte Carlo, este artículo demuestra que, si bien el tamaño de la muestra de entrenamiento es el principal motor de la fidelidad de la atribución SHAP, los tratamientos comunes para el desequilibrio de clases a menudo distorsionan las clasificaciones y magnitudes de las características, lo que lleva a los autores a recomendar evitar el reequilibrio en favor del pesaje de clases cuando la interpretabilidad de SHAP es una prioridad.