modelcheck

Valida modelos de ML contra regras de negócio, detecta drift de explicação e fairness — tudo via SHAP.

Por quê?

Seu modelo pode ter boa acurácia e ainda assim decidir pelo motivo errado.

Instalação

pip install -e .

Uso

from modelcheck.guard import ModelGuard
from modelcheck.report import summary

guard = ModelGuard(models, X, rules_path="rules.yaml",
                   sensitive_features=["idade"])
report = guard.run(X)
print(summary(report))

# monitorar drift depois:
report2 = guard.run(X_novo, baseline_snapshots=report["snapshots"])

Features

• Contradições: modelo vs regras de negócio (raro no mercado)
• Comparação multi-modelo: onde XGBoost e LogReg discordam
• Drift de explicação: alerta se o "porquê" das previsões mudou
• Fairness: features sensíveis pesando demais
• RuleLearner: aprende regras dos dados automaticamente

from modelcheck.rules.rule_learner import RuleLearner
learner = RuleLearner()
learner.to_yaml(learner.learn(X, y), "rules.yaml")

Regras (rules.yaml)

rules:
  - feature: price
    expected_direction: negative
    description: "Preço alto reduz venda"

Testes

pytest tests/

Licença

MIT