Machine learning : les fondamentaux

CHAPITRE 13 Explication des modèles

Chaque modèle prédictif a des propriétés spécifiques. Certains sont consacrés à la gestion de données linéaires, alors que d’autres s’adaptent mieux à des données d’entrée complexes. Certains modèles sont faciles à interpréter, alors que d’autres sont des boîtes noires qui ne permettent pas de savoir exactement comment leurs prédictions sont générées.

Voyons donc comment interpréter différents modèles. Nous nous servirons en guise d’exemple des données du jeu Titanic :

>>> dt = DecisionTreeClassifier(
...    random_state=42, max_depth=3
... )
>>> dt.fit(X_train, y_train)

Coefficient de régression

Le coefficient de régression et celui d’interception permettent de comprendre la valeur espérée et de voir en quoi les caractéristiques ...