{"id":210,"date":"2017-03-06T13:57:34","date_gmt":"2017-03-06T12:57:34","guid":{"rendered":"http:\/\/pageperso.math.univ-toulouse.fr\/mllaw\/?page_id=210"},"modified":"2017-04-04T16:55:44","modified_gmt":"2017-04-04T15:55:44","slug":"methodes-dapprentissage-machine","status":"publish","type":"page","link":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/home\/statisticien\/explicabilite-des-decisions-algorithmiques\/methodes-dapprentissage-machine\/","title":{"rendered":"M\u00e9thodes d’Apprentissage Machine"},"content":{"rendered":"

Principe<\/h2>\n

Toutes ces m\u00e9thodes font appel \u00e0 une premi\u00e8re \u00e9tape d’estimation ou d’apprentissage<\/em> d’un mod\u00e8le<\/em> bas\u00e9e sur un ensemble de donn\u00e9es, par exemple d’individus, pour lesquels sont connus un ensemble de caract\u00e9ristiques ou variables explicatives ainsi que les valeurs de la variable cible (la d\u00e9cision) \u00e0 expliquer ou pr\u00e9voir.\u00a0 Bien entendu la qualit\u00e9, plus que la quantit\u00e9, des ces donn\u00e9es d’apprentissage conditionne directement la qualit\u00e9 de l’estimation des param\u00e8tres du mod\u00e8le et donc de la pr\u00e9vision \/ d\u00e9cision \u00e0 venir pour d’autres observations, individus pour lesquels elle est inconnue.<\/p>\n

Elles sont sch\u00e9matiquement d\u00e9compos\u00e9es en deux groupes selon l’objectif d’explicabilit\u00e9<\/em>.<\/p>\n

Mod\u00e8les explicites<\/h2>\n
    \n
  • Mod\u00e8les lin\u00e9aires gaussien, binomial. Issues de la statistique classique, ces m\u00e9thodes sont \u00e0 l’origine \u00e0 but explicatif: tester l’influence ou non d’un facteur, d’une variable, sur une autre \u00e0 mod\u00e9liser, expliquer. Ind\u00e9pendamment des tests\u00a0 et des hypoth\u00e8ses n\u00e9cessaires, ces m\u00e8mes mod\u00e8les sont utilis\u00e9s pour pr\u00e9voir, guider la d\u00e9cision. La pr\u00e9vision est le r\u00e9sultat d’une \u00e9quation (lin\u00e9aire, polynomiale, logistique…) dont les param\u00e8tres sont estim\u00e9es sur les donn\u00e9es et qui permet de relier plus ou moins simplement, directement, les caract\u00e9ristiques avec la d\u00e9cision.<\/li>\n
  • Arbres binaires de d\u00e9cision. Construire de fa\u00e7on r\u00e9cursive\u00a0 une arborescence de r\u00e8gles de d\u00e9cision binaires par l’optimisation d’un crit\u00e8re qui recherche la meilleure pr\u00e9vision dans chaque n\u0153ud puis chaque feuille de l’arbre. Pour pr\u00e9voir la valeur pour une nouvelle observation, un nouvel individu, il suffit de suivre la s\u00e9quence des d\u00e9cisions le concernant \u00e0 partir des caract\u00e9ristiques connues. A moins que l’arbre ne soit trop complexe: trop profond, trop de feuilles, l’interpr\u00e9tation est directe et m\u00eame plus intuitive que la lecture d’une \u00e9quation.<\/li>\n<\/ul>\n

    Mod\u00e8les bo\u00eete noire<\/em><\/h2>\n
      \n
    • Algorithmes des k plus proches voisins. La pr\u00e9vision de la valeur prises par une nouvelle observation est d\u00e9termin\u00e9e par les valeurs prises par ses voisins au sens d’une distance d\u00e9pendant des cact\u00e9ristiques. La relation entre caract\u00e9ristiques initiales et d\u00e9cision est perdue. Il est simplement possible de dire que telle d\u00e9cision est due au fait que l’individu concern\u00e9 “ressemble” \u00e0 un ensemble d’autres.<\/li>\n
    • R\u00e9seaux de neurones. Dans la version la plus \u00e9l\u00e9mentaire, le perceptron \u00e0 une seul couche cach\u00e9e conduit \u00e0 estimer une fonction transformation non lin\u00e9aire d’une combinaison lin\u00e9aire de transformations non lin\u00e9aires. Il est possible de rep\u00e9rer quelles sont les variables ou caract\u00e9ristiques importantes mais impossible de relier simplement les entr\u00e9es du r\u00e9seau (les caract\u00e9ristiques) avec la sortie, la d\u00e9cision. En interconnectant des couches par dizaines, le maintenant tr\u00e8s c\u00e9l\u00e8bre apprentissage profond<\/em> ne fait que qu’opacifier l’interpr\u00e9tation.<\/li>\n
    • Agr\u00e9gation de mod\u00e8les. Sous les appellations de bagging, boosting, gradient boosting, random forest<\/em>, ces algorithmes font voter (d\u00e9cision qualitative) ou calcule la moyenne (pr\u00e9vision quantitative) de centaines d’arbres binaires du type d\u00e9finis ci-dessus. L’interpr\u00e9tation intuitive d’un arbre seul est perdue m\u00eame s’il reste possible d’identifier les variables importantes participant le plus \u00e0 la d\u00e9cision.<\/li>\n
    • Machine \u00e0 vecteurs supports; Solution d’un probl\u00e8me d’optimisation quadratique sous contrainte, cet algorithme fournit une d\u00e9cision mais ne permet que d’identifier les individus critiques, ceux qui permettent de d\u00e9finit la fronti\u00e8re entre les classes de d\u00e9cision.<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"

      Principe Toutes ces m\u00e9thodes font appel \u00e0 une premi\u00e8re \u00e9tape d’estimation ou d’apprentissage d’un mod\u00e8le bas\u00e9e sur un ensemble de donn\u00e9es, par exemple d’individus, pour lesquels sont connus un ensemble de caract\u00e9ristiques ou variables explicatives ainsi que les valeurs de la variable cible (la d\u00e9cision) \u00e0 expliquer ou pr\u00e9voir.\u00a0 Bien entendu la qualit\u00e9, plus que […]<\/p>\n","protected":false},"author":177,"featured_media":0,"parent":204,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"template-full-width.php","meta":{"footnotes":""},"class_list":["post-210","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/210","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/users\/177"}],"replies":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/comments?post=210"}],"version-history":[{"count":3,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/210\/revisions"}],"predecessor-version":[{"id":215,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/210\/revisions\/215"}],"up":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/204"}],"wp:attachment":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/media?parent=210"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}