Machine Learning - Model Explainability (H2O - Python)

Interprétation des modèles boîtes noires et de leurs prédictions avec la fonctionnalité "explain" et "explain_row" de la librairie H2O. Vidéo à mettre en relation avec la précédente dédiée à "scikit-learn" (Machine Learning Interprétation -- https://www.youtube.com/watch?v=caQf8Q0cB-o). Variable importance, SHAP values, partial dependence plot, individual conditional expectations. Exemple d'utilisation avec un gradient boosting machine (GBM) et les données "pima-indian-diabetes". Données et notebook Python : http://tutoriels-data-mining.blogspot.com/2021/04/video-model-explainability-par-h2o_9.html

00:00 Interprétation des modèles - Outils de H2O
01:43 Les données "Pima-Indian-Diabetes"
05:44 Démarrage du notebook
06:02 Importation et préparation des données
09:07 Gradient boosting avec H2O
10:33 Affichage des résultats
13:25 **Interprétation du modèle - L'outil "Model Explain" de H2O
13:59 Importance des variables
16:20 Shap Values - Contributions des variables /individus
22:22 Partial Dependence Plot (PDP) - Forme de la relation explicative et expliquée
27:27 **Interprétation d'une prédiction individuelle
29:24 L'outil "Explain row" de H2O
30:40 Shap Explanation - Relation valeur explicative et proba d'appartenance
32:00 Individual Conditional Expectation (ICE) - Version individuelle du PDP