Arbre de décision explicable
Un arbre de décision explicable est un arbre de classification ou de régression délibérément construit pour être peu profond, lisible et vérifiable, produisant un ensemble fini de règles si-alors qu'un humain peut vérifier sans outils supplémentaires. Il se situe à l'intersection de la modélisation prédictive et de l'IA explicable (XAI), choisi lorsque les parties prenantes doivent comprendre et faire confiance à chaque prédiction faite par le modèle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth & Brooks/Cole. ISBN: 978-0-412-04841-8
- Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. DOI: 10.1038/s42256-019-0048-x ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Decision Tree (Interpretable Rule-Based Classification and Regression Tree). ScholarGate. https://scholargate.app/fr/machine-learning/explainable-decision-tree
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Arbre de décisionApprentissage automatique↔ compare
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →