Analisi dell’importanza delle caratteristiche con SHAP che ho imparato a Spotify

SHAP feature importance analysis I learned at Spotify

Identificazione delle principali caratteristiche e comprensione di come influenzano gli esiti delle previsioni dei modelli di apprendimento automatico con SHAP

Questo articolo è uno dei due pezzi che documentano i miei apprendimenti dalla mia Tesi di Apprendimento Automatico a Spotify. Assicurati di controllare anche il secondo articolo (che arriverà molto presto!) su come sono riuscito ad ottimizzare significativamente il mio modello per questa ricerca.

Due anni fa, ho condotto un affascinante progetto di ricerca a Spotify come parte della mia Tesi Magistrale. Ho imparato diverse tecniche utili di ML, che credo ogni Data Scientist dovrebbe avere nel proprio kit di strumenti. E oggi sono qui per guidarti attraverso una di esse.

In quel periodo, ho trascorso 6 mesi cercando di costruire un modello di previsione e poi decifrando il suo funzionamento interno. Il mio obiettivo era capire cosa rendeva gli utenti soddisfatti della loro esperienza musicale.

Non si trattava tanto di prevedere se un utente fosse felice (o meno), ma piuttosto di comprendere i fattori sottostanti che contribuivano alla loro felicità (o mancanza di essa).

Sembra eccitante, vero? Lo era! Ho amato ogni singolo momento perché ho imparato molto su come l’ML può essere applicato nel contesto della musica e del comportamento degli utenti.

(Se sei interessato alle applicazioni di ML nell’industria musicale, ti consiglio vivamente di leggere questa interessante ricerca condotta dai massimi esperti di Spotify. È un must-read!)

Apprendimento automatico e psicologia comportamentale nella tecnologia

Immagine dell'autore (Midjourney)

Nel campo della tecnologia, progetti di ricerca come il mio sono molto comuni perché gran parte del lavoro ruota attorno alla creazione dell’esperienza personalizzata migliore per gli utenti/clienti.

Questo spesso significa approfondire la psiche umana e l’ML può essere uno strumento potente per raggiungere l’impossibile: comprendere gli esseri umani.

Quando combiniamo l’ML con la psicologia e le scienze comportamentali, ci avviciniamo a ottenere un quadro completo di come gli esseri umani si comportano.

Come?

Creiamo modelli che cercano di prevedere come reagiranno le persone.