MediAnalytics a développé un classifieur XGBoost pour les prédictions de réadmission hospitalière et a utilisé SageMaker Clarify pour l'explicabilité post-entraînement. Le résumé SHAP global montre que patient_age est un contributeur positif majeur au risque de réadmission, mais le graphique de dépendance partielle (PDP) généré par Clarify pour patient_age est non monotone et semble entrer en conflit avec SHAP. L'équipe de données soupçonne que patient_age est corrélé à plusieurs caractéristiques de comorbidité. Quelle est l'interprétation la plus appropriée et la prochaine étape ?

Le PDP peut être trompeur en présence de caractéristiques corrélées car il suppose l'indépendance des caractéristiques. Dans ce scénario, la corrélation de patientage avec des comorbidités signifie que la modification de patientage seul n'est pas réaliste. Les graphiques de dépendance SHAP (ou ICE/PDP conditionnel) sont plus robustes car ils tiennent compte des interactions et des corrélations entre les caractéristiques. Avant de prendre une décision, il est crucial d'examiner ces interactions et corrélations avec Clarify pour obtenir une interprétation précise. Les autres options sont incorrectes car : Faire confiance au PDP tel quel est risqué en raison des corrélations. Supprimer patientage sans comprendre son rôle réel pourrait dégrader la performance du modèle. LIME est une méthode d'explicabilité locale, pas globale, et n'est pas intrinsèquement supérieure à SHAP ou PDP pour gérer les corrélations globales de caractéristiques.