Explicando anomalías en mercados energéticos con modelos Machine Learning

Descubre cómo explicar la influencia de las variables explicativas de un modelo de Machine Learning que detecta anomalías utilizando los valores SHAP.

El hecho de que sea fin de semana no influye de la misma manera en la detección de anomalías en el precio de la electricidad. ¿Por qué?

Gráfico de cascada SHAP mostrando la contribución de cada variable a una predicción específica de anomalía en la fijación de precios de electricidad durante el fin de semana.
F1. Análisis SHAP para anomalías específicas

Los modelos de Machine Learning no siguen patrones lineales. Te lo explicamos paso a paso.

Data

Para cada hora de un día, el precio de la electricidad viene determinado por los mercados diario e intradiarios.

Conjunto de datos de diferentes mercados intradiarios de energía en España con propiedades de series temporales.
F2. Dataset de mercados intradiarios de energía en España

En este caso, explicaremos cómo influyen las variables explicativas en la detección de observaciones anómalas utilizando los valores SHAP.

Preguntas

  1. ¿Qué técnica se usa para explicar modelos de Machine Learning?
  2. ¿Cómo interpretar los valores SHAP?
  3. ¿Por qué el mismo valor de WEEKEND influye de manera diferente el resultado del modelo?
  4. ¿Cómo visualizar la influencia de cada variable explicativa en la detección de anomalías entre todas las observaciones?
  5. ¿Y en una observación específica?

Great! You’ve successfully signed up.

Welcome back! You've successfully signed in.

You've successfully subscribed to datons.

Success! Check your email for magic link to sign-in.

Success! Your billing info has been updated.

Your billing was not updated.