Explications contrefactuelles
Les explications contrefactuelles, introduites par Wachter, Mittelstadt et Russell en 2017, répondent à la question : « Quel est le changement minimal apporté à l'entrée qui aurait produit une sortie différente du modèle ? » Plutôt que d'expliquer pourquoi un modèle a pris une décision, elles décrivent ce qui devrait changer pour que cette décision soit inversée, ce qui les rend particulièrement précieuses pour les applications à enjeux élevés telles que la notation de crédit, le diagnostic médical et les décisions d'embauche dans le cadre du RGPD européen.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31, 841–887. link ↗
Comment citer cette page
ScholarGate. (2026, June 2). Counterfactual Explanations. ScholarGate. https://scholargate.app/fr/machine-learning/counterfactual-explanations
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- LIME : Explications Locales Interprétables Agnostiques du ModèleApprentissage automatique↔ comparer
- Régression logistiqueStatistiques de recherche↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →