Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Permutation Importance
Technique d'évaluation de l'importance des caractéristiques qui mesure la dégradation des performances du modèle lorsque les valeurs d'une variable sont permutées aléatoirement, brisant ainsi sa relation avec la cible.
Partial Dependence Plot (PDP)
Visualisation montrant l'effet marginal moyen d'une ou deux caractéristiques sur la prédiction du modèle, en intégrant les effets des autres variables.
Accumulated Local Effects (ALE)
Méthode alternative aux PDP qui calcule les effets des caractéristiques en tenant compte des corrélations entre variables, évitant ainsi les biais présents dans les graphiques de dépendance partielle.
Global Surrogate Model
Modèle simple et interprétable (comme un arbre de décision ou une régression linéaire) entraîné pour approximer le comportement global d'un modèle complexe sur l'ensemble du jeu de données.
Local Surrogate Model
Modèle interprétable entraîné spécifiquement pour approximer les prédictions d'un modèle complexe dans un voisinage restreint autour d'une instance particulière.
Individual Conditional Expectation (ICE)
Visualisation qui trace la prédiction du modèle pour chaque instance individuelle en faisant varier une caractéristique spécifique, révélant l'hétérogénéité des effets au-delà de la moyenne.
Gradient SHAP
Variante de SHAP qui combine la méthode des gradients avec des échantillons de référence pour approximer efficacement les valeurs SHAP dans les modèles de deep learning.
Layer-wise Relevance Propagation (LRP)
Technique de propagation arrière qui redistribue la prédiction finale du réseau de neurones vers les caractéristiques d'entrée en passant par chaque couche, conservant la somme totale de la pertinence.
Feature Contribution
Mesure quantitative de l'impact individuel de chaque caractéristique sur la prédiction finale, souvent exprimée comme une différence par rapport à une valeur de référence ou de base.
Grad-CAM (Gradient-weighted Class Activation Mapping)
Technique de visualisation pour réseaux de neurones convolutifs qui génère des cartes de chaleur localisant les régions importantes pour une prédiction spécifique en utilisant les gradients de la couche finale.
SHAP Interaction Values
Extension des valeurs SHAP qui décompose non seulement l'importance des caractéristiques individuelles mais aussi leurs effets d'interaction, quantifiant comment les paires de variables influencent collectivement la prédiction.