Evaluating Cross-Method Explanation Consistency in XGBoost-Based Heart-Disease Classification
Questo studio valuta la performance predittiva e la coerenza delle spiegazioni tra i metodi di un classificatore XGBoost su un dataset di malattie cardiache, dimostrando che, sebbene il modello raggiunga un'elevata accuratezza e un accordo da moderato a forte tra i metodi di spiegazione globale (importanza nativa, importanza per permutazione e SHAP), queste dimensioni sono distinte e non garantiscono intrinsecamente la validità clinica.