Recherche & Développement Toutes les publications Benchmark sur les algorithmes de ML supervisé interprétables

Benchmark sur les algorithmes de ML supervisé interprétables


Télécharger le fichier

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.

Télécharger le fichier

Publications récentes

#news

06/03/2025

Impact de l’entrée en vigueur de la V3 sur les fonds ISR : quels impacts pour les gestionnaires d’actifs ?

Lire plus
Article 29LEC loi énergie climat

25/02/2025

Analyse des rapports Article 29 LEC, Loi Energie Climat 2023 et 2024

Lire plus
Norme VSME Nexialog Consulting

20/02/2025

Norme VSME et CSRD : guide pour les PME non cotées

Lire plus