K-Plus-Proches-Voisins Explicable
K-Plus-Proches-Voisins Explicable (XKNN) augmente le classifieur ou régresseur KNN classique avec des mécanismes d'explication post-hoc structurés ou intégrés, révélant quels voisins récupérés, quelles caractéristiques et quelles contributions de distance pilotent chaque prédiction individuelle, rendant le raisonnement du modèle transparent et vérifiable pour les décideurs humains.
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
- Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. DOI: 10.1109/TIT.1967.1053964 ↗
- Papernot, N. & McDaniel, P. (2018). Deep k-Nearest Neighbors: Towards Confident, Interpretable and Robust Deep Learning. arXiv preprint arXiv:1803.04765. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable K-Nearest Neighbors (XKNN). ScholarGate. https://scholargate.app/fr/machine-learning/explainable-k-nearest-neighbors
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
- LIME : Explications Locales Interprétables Agnostiques du ModèleApprentissage automatique↔ compare
- Naive BayesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →