AI 용어집
인공지능 완전 사전
Impurity-based Importance
Catégorie de méthodes évaluant l'importance des variables basées sur leur capacité à réduire l'impureté des nœuds lors des divisions dans les arbres de décision, incluant Gini et entropie.
Out-of-Bag (OOB) Importance
Méthode d'évaluation utilisant les échantillons non sélectionnés (out-of-bag) dans le bagging pour estimer l'importance des variables sans nécessiter un ensemble de validation séparé.
Gain Importance
Mesure d'importance spécifique aux arbres de décision calculant la réduction totale de l'impureté apportée par chaque caractéristique lorsqu'elle est utilisée pour les divisions dans tous les arbres.
Split Importance
Métrique évaluant l'importance des variables en comptant le nombre de fois qu'une caractéristique est utilisée pour diviser les nœuds dans un ensemble d'arbres, pondérée par la profondeur des divisions.
Coverage Importance
Méthode évaluant l'importance basée sur la proportion d'échantillons affectés par les divisions utilisant une caractéristique spécifique, mesurant ainsi son impact sur la couverture du modèle.
Local Feature Importance
Mesure de l'importance des variables pour une prédiction individuelle, expliquant comment chaque caractéristique contribue spécifiquement à une sortie particulière du modèle.
Treeinterpreter
Bibliothèque Python permettant de décomposer les prédictions d'arbres de décision et forêts aléatoires en contributions de chaque caractéristique, offrant une interprétabilité au niveau des instances.
ELI5
Bibliothèque Python (Explain Like I'm 5) fournissant des outils pour inspecter et debuguer des modèles de machine learning, incluant le calcul d'importance des variables par permutation.