Une méthode de Gradient Boosting d'Arbre de Décision explicative basée sur l'algorithme de Frank-Wolfe
Résumé
Gradient Boosted Decision Trees (GBDT) are a highly effective learning method but suffers from a lack of explainability.To enhance the explainability of such algorithms, we propose in this article a method inspired by these models which allow toexhibit training data on which it relies the most to make a specific prediction. This method will be tested on three different datasets.
Les modèles de Gradient Boosting d'Arbre de Décision (GBDT) sont des algorithmes d'estimation très efficaces mais peu explicables. Pour améliorer cet aspect, nous proposons dans cet article une nouvelle méthode inspirée des GBDT permettant d'extraire les données du jeu d'entraînement sur lesquelles elle s'appuie pour faire une prédiction donnée. Pour s'assurer des performances de cette méthode et de son explicativité, elle sera testée sur trois différents jeux de données.
Domaines
Apprentissage [cs.LG]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|