Un modelo de caja blanca, como un árbol de decisión simple o una regresión lineal, permite entender directamente cómo llega a una predicción específica, revisando sus reglas o coeficientes. Un modelo de caja negra, como una red neuronal profunda, produce predicciones precisas pero sin una forma directa y simple de explicar el razonamiento detrás de cada una.
El compromiso habitual entre ambos
En general, los modelos más interpretables (caja blanca) suelen ser algo menos precisos que los modelos de caja negra en problemas complejos, lo que obliga a decidir, según el contexto de aplicación, qué tan importante es poder explicar cada decisión frente a maximizar la precisión general del modelo.