Glosarium AI
Kamus lengkap Kecerdasan Buatan
Théorie des jeux en IA
Application des principes de la théorie des jeux pour analyser et interpréter le comportement des modèles d'intelligence artificielle. Permet de modéliser les interactions entre caractéristiques comme des joueurs coopératifs dans un jeu.
Force Plot SHAP
Visualisation interactive montrant comment chaque caractéristique pousse la prédiction vers le haut ou vers le bas par rapport à la valeur de base. Illustre graphiquement les contributions additives des caractéristiques pour une prédiction spécifique.
Summary Plot SHAP
Graphique combinant l'importance des caractéristiques avec leurs effets sur les prédictions à travers l'ensemble du dataset. Permet d'identifier rapidement les caractéristiques les plus influentes et leur relation avec la variable cible.
Dependence Plot SHAP
Visualisation montrant l'effet d'une caractéristique spécifique sur la prédiction tout en révélant les interactions potentielles avec d'autres caractéristiques. Met en évidence les relations non linéaires et les dépendances entre variables.
Waterfall Plot SHAP
Représentation séquentielle montrant l'accumulation progressive des contributions de chaque caractéristique pour atteindre la prédiction finale. Part de la valeur de base et ajoute successivement chaque valeur SHAP jusqu'à la prédiction du modèle.
Valeur d'Expectation
Valeur de base ou de référence utilisée dans SHAP représentant la prédiction moyenne du modèle en l'absence d'information sur les caractéristiques. Sert de point de départ pour calculer les contributions additives des caractéristiques.
Valeur Marginale
Contribution supplémentaire d'une caractéristique lorsqu'elle est ajoutée à un sous-ensemble de caractéristiques existantes. Au cœur du calcul des valeurs SHAP, cette mesure quantifie l'impact incrémental de chaque variable.
Coalition de Caractéristiques
Sous-ensemble de caractéristiques considérées ensemble dans le calcul des valeurs SHAP, analogue aux coalitions de joueurs dans la théorie des jeux. L'analyse de toutes les coalitions possibles garantit l'équité de la répartition des contributions.
Additivité des Explications
Propriété fondamentale de SHAP garantissant que la somme des contributions des caractéristiques plus la valeur de base égale exactement la prédiction du modèle. Assure la cohérence mathématique et l'interprétabilité des explications.