« Modèle substitut » : différence entre les versions

Version du 2 mai 2023 à 15:19

Définition

Un modèle substitut est une approximation explicable d'un modèle boîte noire obtenue par entrainement sur les résultats et les données issus de ce modèle boîte noire.

Compléments

L'idée est que le modèle substitut permette d'expliquer le comportement du modèle boîte noire.

Français

modèle substitut

Anglais

surrogate model

<-- Global surrogates are really easy to understand, that’s an advantage of this method. First you build a black box model on the training data with the real labels. Then you let the model predict the labels for the same data and you build an interpretable model on the data with the predicted labels. Because the surrogate model is interpretable and build on the predictions of the black box model you learn how the black box model makes its prediction. -->

Source : Boileau et al. (2022)

Source : towardsdatascience

@@ Ligne 1 : / Ligne 1 : @@
-==en construction==
+== Définition ==
+Un modèle substitut est une approximation explicable d'un modèle boîte noire obtenue par entrainement sur les résultats et les données issus de ce modèle boîte noire.
+==Compléments==
+L'idée est que le modèle substitut permette d'expliquer le comportement du modèle boîte noire.
-== Définition ==
-XXXXXXXXX
 == Français ==
-''' XXXXXXXXX '''
+''' modèle substitut '''
 == Anglais ==
-''' Global Surrogate Models'''
+''' surrogate model'''
- Global surrogates are really easy to understand, that’s an advantage of this method. First you build a black box model on the training data with the real labels. Then you let the model predict the labels for the same data and you build an interpretable model on the data with the predicted labels. Because the surrogate model is interpretable and build on the predictions of the black box model you learn how the black box model makes its prediction.
+<-- Global surrogates are really easy to understand, that’s an advantage of this method. First you build a black box model on the training data with the real labels. Then you let the model predict the labels for the same data and you build an interpretable model on the data with the predicted labels. Because the surrogate model is interpretable and build on the predictions of the black box model you learn how the black box model makes its prediction.
+-->
 <small>
+[https://cyberjustice.openum.ca/files/sites/102/VfinaleLABCJ-E%CC%81piste%CC%81mologie-de-lIA_v2-1.pdf  Source : Boileau et al. (2022)]
 [https://towardsdatascience.com/model-agnostic-methods-for-interpreting-any-machine-learning-model-4f10787ef504 Source : towardsdatascience]