Recherche & Développement Toutes les publications Benchmark sur la corrélation et l’importance des variables : guide des modèles de ML supervisé

Benchmark sur la corrélation et l’importance des variables : guide des modèles de ML supervisé


Télécharger le fichier

ETUDE INTERNE
AUTEURS :  ERNESTO LOPEZ FUNE, VALENTIN MESSINA, AMANDE EDO

Le développement de l’intelligence artificielle (IA) soulève des enjeux majeurs d’explicabilité des modèles de machine learning (ML). Ce benchmark explore les méthodes de mesure de l’importance des variables dans les modèles supervisés, en utilisant l’analyse de corrélation avec des techniques post-hoc comme les valeurs de Shapley et LIME. Nous démontrons que l’approche combinée d’analyse de corrélation et de mesures d’importance des variables permet de mieux comprendre et valider les prédictions des modèles complexes. Les packages Eli5, SHAP, et LIME sont utilisés pour illustrer ces méthodes, en mettant en lumière leurs avantages et limites face aux variables explicatives corrélées entre elles.

Télécharger le fichier

Publications récentes

#news

Catastrophes naturelles par l’EIOPA

27/03/2025

Bilan de la consultation sur le recalibrage des risques de catastrophes naturelles par l’EIOPA

Lire plus
ECB Résultats agrégés du SREP 2024

20/03/2025

Banque centrale européenne – Les résultats agrégés du SREP 2024

Lire plus
Recommandations finales de l'EBA

10/03/2025

Recommandations finales de l’EBA sur la gestion des risques ESG

Lire plus