Esse notebook usa um conjunto de dados disponibilizado pela plataforma Kaggle que contém 180,000 resultados de partidas de League of Legends a partir de 2014.
Os métodos usados aqui podem ser aplicados para qualquer conjunto de dados, nós usamos esse para ilustrar como as métricas do SHAP ajudam a tornar modelos como o XGBoost intepretáveis para grandes conjuntos de dados que, além de possuirem muitas iterações, contém variáveis categóricas e continuas. O objetivo é mostrar que até os jogadores conseguem ler e entender as informações apresentadas.
Esse guia é uma tradução livre do material disponibilziado por Scott Lundberg no seu repositório git: (https://slundberg.github.io/shap/notebooks/League%20of%20Legends%20Win%20Prediction%20with%20XGBoost.html)
O objetivo de minha parte, é disseminar conhecimento través de materiais de grande relevância para público local (PT-BR).
Para acessar o material completo você pode acessar o arquivo com extensão ".ipynb" ou acessar o link abaixo:
https://github.com/ErickCosta/shap-lol/blob/master/shap-lol.ipynb