Cómo funciona SheShe
SheShe transforma un modelo probabilístico en un explorador de su propio paisaje de decisión. Busca máximos locales en la probabilidad por clase o el valor predicho y puede delinear regiones alrededor de los modos descubiertos.
Fundamento matemático
La optimización sigue actualizaciones de ascenso por gradiente x_{k+1} = x_k + α∇f(x_k) hasta que la norma del gradiente cae por debajo de un pequeño ε.
Los barridos de frontera disparan rayos desde cada pico y localizan puntos de inflexión donde d²f/dr² = 0 con un cambio de concavidad, o se alcanza una caída percentil, delimitando regiones alrededor de cada modo. Ver ShuShu y ModalBoundaryClustering para más detalles.
Componentes
ModalBoundaryClustering
Este enfoque de clustering explora superficies de puntuación en busca de modos separados y dibuja fronteras supervisadas alrededor de cada uno. Realiza su propia optimización y no depende de ShuShu ni CheChe.
ShuShu
ShuShu es un optimizador ligero de ascenso por gradiente que puede sondear cualquier función de puntuación. Localiza máximos locales de forma independiente y puede combinarse con otras herramientas según sea necesario.
CheChe
CheChe proyecta trayectorias de optimización en dos dimensiones y dibuja fronteras de casco convexo para pares de características seleccionados. Opera por separado de ModalBoundaryClustering y ShuShu para ofrecer análisis visual.
Estos componentes independientes permiten a SheShe revelar la estructura de modelos complejos siguiendo sus picos y mapeando fronteras de la forma que mejor se adapte a la tarea.