Desvendando o SHAP

Um dos motivos da magia das ferramentas de XAI (IA explicável), como o SHAP, é a capacidade de exibir não apenas a importância geral das variáveis independentes/preditoras por trás de um modelo, mas também a importância específica e a relação entre as variáveis independentes de entrada e o resultado ou a previsão de um modelo específico.

O gráfico a seguir mostra a importância de diferentes pontuações de testes acadêmicos comuns nos EUA para estimar a probabilidade de admissão na universidade, para a única admissão de um único aluno. A previsão do modelo resultante tem nível de qualidade de 0,63 para a decisão sobre a admissão desse aluno.

Abaixo estão quatro afirmações relacionadas à importância das variáveis independentes e ao comportamento do modelo nessa previsão individual.

Uma dessas afirmações é falsa. Você consegue encontrar?