En modelos de regresión, la salida del modelo es un valor continuo: euros, días, puntos, riesgo, demanda, etc. Por eso, cuando queremos explicar “qué habría que cambiar” para obtener otra predicción, no basta con decir “cambia estas variables”. Una buena explicación en regresión debe dejar claro cuánto cambia la predicción, qué coste tiene lograrlo y si la recomendación es realista y aplicable. En otras palabras, el valor de una explicación no está solo en el contrafáctico x′x’x′, sino en cómo se traduce en una guía comprensible y accionable para el usuario.

Antes de elegir el formato, conviene recordar que el mismo contrafáctico puede presentarse de muchas maneras. Algunas priorizan la transparencia (ver exactamente qué cambia), otras la acción (qué hacer primero), y otras facilitan la toma de decisiones ofreciendo alternativas o permitiendo interacción. Teniendo esto presente, los principales tipos de presentación de explicaciones en regresión son los siguientes:

• Tabla “antes vs después”. Comparación directa de la observación original x y el contrafáctico x′ variable a variable, incluyendo la predicción actual f(x), la predicción tras el cambio f(x′) y el impacto neto Δf=f(x′)−f(x). Es útil para ver con precisión qué cambia y cuánto afecta a la predicción.
• .
• Lista de acciones priorizada. Presenta los cambios ordenados por importancia o impacto: primero los que más mueven la predicción o los más fáciles de aplicar. Este formato funciona bien cuando el usuario necesita una recomendación rápida y no quiere revisar todos los detalles.
• Múltiples alternativas (menú de opciones). Ofrece dos o tres contrafácticos distintos con perfiles diferentes (por ejemplo, “más barato”, “más realista” o “más robusto”) para que el usuario elija el que mejor encaja con sus circunstancias. Es especialmente útil cuando no existe una única solución “mejor” y hay trade-offs inevitables.
• Ruta o plan por pasos. En lugar de un salto único, se muestra una secuencia de ajustes graduales (paso 1, paso 2, …) indicando cómo evoluciona f(⋅) en cada etapa. Este enfoque ayuda a convertir la explicación en un plan de acción progresivo, más fácil de seguir y negociar.
• Visualización de impacto. Utiliza gráficas simples para mostrar cómo varía la predicción al modificar una variable (o un pequeño conjunto), facilitando la comprensión de sensibilidad e impacto. Es especialmente útil cuando el usuario necesita intuición: “si subo esto, ¿cuánto baja/sube la predicción?”.
• Presentación interactiva (user-in-the-loop). El usuario puede fijar límites (“esto no lo puedo cambiar”), ajustar objetivos (umbral/rango) o seleccionar variables, y el sistema recalcula la explicación en tiempo real. Este formato suele ser el más útil cuando la accionabilidad depende mucho del contexto personal del usuario y se requiere adaptar la recomendación.

En definitiva, en regresión una explicación efectiva no es solo un contrafáctico que “mueve” la salida del modelo, sino una comunicación clara de qué cambiar, cuánto cambia la predicción, a qué coste y con qué fiabilidad. Elegir el formato de presentación adecuado —tabla, lista priorizada, alternativas, ruta o interacción— puede marcar la diferencia entre una recomendación que el usuario entiende y aplica, y otra que se queda en un resultado técnico difícil de convertir en acción. Si el objetivo es apoyar decisiones reales, la explicación debe sentirse menos como una ecuación y más como una guía práctica.