L'apprentissage automatique pour les applications à haut risque

Chapitre 6. Machines de stimulation explicableset explication de XGBoost

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

Ce chapitre explore les modèles explicables et l'explication post hoc à l'aide d'exemples interactifs relatifs au crédit à la consommation. Il applique également les approches discutées au chapitre 2 en utilisant des machines de boosting explicables (EBM), des modèles XGBoost à contrainte monotone et des techniques d'explication post hoc. Nous commencerons par un rappel des concepts d'additivité, de contraintes, de dépendance partielle et d'espérance conditionnelle individuelle (ICE), des explications additives de Shapley (SHAP) et de la documentation du modèle.

Nous explorerons ensuite un exemple de problème de souscription de crédit en passant d'une régression pénalisée à un modèle additif généralisé (MAG), puis à un EBM. En travaillant à partir de modèles plus simples vers des modèles plus complexes, nous documenterons les compromis explicites et délibérés concernant l'introduction de la non-linéarité et des interactions dans notre exemple de classificateur de probabilité de défaut, tout en préservant une explicabilité quasi-totale avec des modèles additifs.

Note

Rappelle-toi au chapitre 2 qu'une interprétation est une représentation mentale de haut niveau, significative, qui contextualise un stimulus et exploite les connaissances de base humaines, alors qu'une explication ...