L'apprentissage automatique pour les applications à haut risque

Chapitre 2. Apprentissage automatique interprétable et explicable

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Depuis des siècles, les scientifiques adaptent des modèles aux données afin d'en apprendre davantage sur les modèles observés. Les modèles d'apprentissage automatique explicables et l'explication post hoc des modèles d'apprentissage automatique représentent une avancée progressive, mais importante, dans cette pratique de longue date. Étant donné que les modèles d'apprentissage machine apprennent plus facilement que les modèles linéaires traditionnels à reconnaître les signaux non linéaires, faibles et en interaction, les humains qui utilisent des modèles d'apprentissage machine explicables et des techniques d'explication post hoc peuvent désormais également apprendre plus facilement à reconnaître les signaux non linéaires, faibles et en interaction dans leurs données.

Dans ce chapitre, nous examinerons des idées importantes pour l'interprétation et l'explication avant d'aborder les principales techniques de modélisation explicative et d'explication post hoc. Nous aborderons également les principaux pièges de l'explication post hoc, dont beaucoup peuvent être surmontés en utilisant conjointement les modèles explicables et l'explication post hoc. Ensuite, nous discuterons des applications des modèles explicables et des explications post hoc, comme la documentation du modèle et les recours ...