ETUDE INTERNE
AUTEURS : ERNESTO LOPEZ FUNE, VALENTIN MESSINA, AMANDE EDO
L’interprétabilité des algorithmes de machine learning (ML) est cruciale dans des domaines sensibles tels que la finance et la médecine. Ce benchmark compare divers algorithmes supervisés, paramétriques et non-paramétriques, en analysant leurs mécanismes décisionnels. Les modèles paramétriques, tels que la régression linéaire et logistique, offrent une interprétation simple, tandis que les algorithmes non-paramétriques, comme les SVM et les arbres de décision, nécessitent des techniques supplémentaires pour en expliquer les décisions. Nous soulignons l’importance de choisir un modèle adapté aux besoins d’interprétabilité et de complexité, afin d’assurer une meilleure acceptation des modèles dans des contextes exigeants.
