এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
Régression linéaire
Modèle statistique qui établit une relation linéaire entre une variable dépendante et une ou plusieurs variables indépendantes en minimisant la somme des carrés des résidus. Ce modèle est considéré comme une boîte blanche car les coefficients peuvent être directement interprétés comme l'impact de chaque variable sur la prédiction.
K-plus proches voisins (KNN)
Algorithme d'apprentissage supervisé qui classifie un nouvel échantillon en se basant sur la classe majoritaire de ses k plus proches voisins dans l'espace des caractéristiques. Ce modèle est entièrement interprétable car les prédictions peuvent être expliquées en montrant explicitement les voisins utilisés pour la décision.
Règles d'association
Méthode de découverte de relations entre variables dans de grandes bases de données, typiquement représentée sous la forme SI-ALORS avec des mesures de support et de confiance. Ces règles sont intrinsèquement interprétables car elles expriment directement des relations logiques compréhensibles entre les attributs.
Modèle linéaire généralisé (GLM)
Extension de la régression linéaire qui permet des distributions de réponse autres que normale et des fonctions de lien non linéaires, tout en conservant une structure additive. Les GLM restent interprétables car les coefficients peuvent être transformés pour révéler l'effet marginal de chaque prédicteur.
Modèle additif généralisé (GAM)
Extension des GLM où la prédiction est une somme de fonctions lisses des variables individuelles plutôt que des termes linéaires. Les GAM offrent une interprétabilité élevée car ils permettent de visualiser séparément l'effet de chaque variable sur la prédiction tout en capturant des relations non linéaires.
Analyse discriminante linéaire (LDA)
Méthode de classification qui cherche à trouver une combinaison linéaire de caractéristiques qui sépare le mieux deux ou plusieurs classes en maximisant le rapport de la variance entre les classes à la variance intra-classe. L'interprétabilité vient des vecteurs propres qui indiquent les directions les plus discriminantes dans l'espace des caractéristiques.
Arbres CART
Algorithme de construction d'arbres de décision qui utilise l'indice de Gini pour la classification et l'erreur quadratique moyenne pour la régression, avec des divisions binaires à chaque nœud. La structure binaire des arbres CART facilite l'interprétation des chemins de décision et des règles extraites.
Algorithme ID3
Algorithme historique de construction d'arbres de décision qui utilise le gain d'information basé sur l'entropie pour sélectionner les attributs de division. ID3 produit des arbres hautement interprétables où chaque chemin représente une règle de décision claire basée sur des tests binaires ou multi-classes.
Algorithme C4.5
Amélioration de l'algorithme ID3 qui utilise le ratio de gain d'information pour éviter le biais envers les attributs avec de nombreuses valeurs, et gère les attributs continus et les valeurs manquantes. C4.5 génère des arbres de décision optimisés tout en préservant une interprétabilité complète du processus de décision.
Algorithme CHAID
Algorithme de construction d'arbres de décision qui utilise des tests du chi-carré pour les variables catégorielles et des tests F pour les variables continues, avec des divisions multi-voies plutôt que binaires. CHAID produit des arbres particulièrement interprétables pour les données d'enquête et marketing.
Liste de décision
Structure de classification représentée comme une séquence ordonnée de règles SI-ALORS, où chaque règle est testée séquentiellement jusqu'à ce qu'une soit satisfaite. Les listes de décision offrent une interprétabilité supérieure aux arbres car elles présentent un flux de décision linéaire plutôt qu'une structure arborescente complexe.
Modèle à base de règles
Système de classification ou de régression qui utilise un ensemble de règles logiques pour faire des prédictions, souvent organisé en ensemble couvrant ou liste de décision. Ces modèles sont parmi les plus interprétables car chaque prédiction peut être expliquée par une ou plusieurs règles explicites compréhensibles par des non-experts.
Perceptron simple
Algorithme de classification linéaire binaire qui apprend un hyperplan séparateur en ajustant itérativement les poids basés sur les erreurs de classification. Bien que simple, le perceptron reste interprétable car les poids peuvent être examinés pour comprendre l'importance et la direction de l'influence de chaque caractéristique.
Régression de Poisson
Modèle de régression pour les données de comptage qui suppose que la variable de réponse suit une distribution de Poisson, avec un lien logarithme pour la fonction moyenne. Les coefficients exponentiels du modèle permettent une interprétation directe comme multiplicateurs du taux d'événements attendus.
Stochastique Gradient Boosting (SGB)
Méthode d'ensemble qui combine de simples modèles interprétables (souvent des arbres peu profonds) en construisant séquentiellement chaque nouveau modèle pour corriger les erreurs du précédent. Bien que puissant, SGB avec arbres peu profonds conserve une certaine interprétabilité à travers les contributions de chaque arbre individuel.