Mesures d'importance relative par décomposition de la performance de modèles de régression

Marouane Il Idrissi (1, 2) , Bertrand Iooss (1, 2, 3) , Vincent Chabridon (1)

1 EDF R&D PRISME - Performance, Risque Industriel, Surveillance pour la Maintenance et l’Exploitation
2 IMT - Institut de Mathématiques de Toulouse UMR5219
3 GdR MASCOT-NUM - Méthodes d'Analyse Stochastique des Codes et Traitements Numériques

En apprentissage statistique supervisé, les mesures d'importance relative ont pour but de quantifier de manière interprétable l'importance des covariables sur la sortie du modèle d'apprentissage, notamment en présence de dépendance entre ces covariables. Dans ce papier, deux mesures particulières (les valeurs de Shapley et les valeurs proportionnelles) sontétudiées. Ces mesures sont inspirées de deux solutions d'allocations issues de la théorie des jeux. Leurs liens avec d'autres mesures connues en régression linéaire (LMG et PMVD) sont présentés. Après une première illustration de leur formulation analytique dans le cas linéaire gaussienà deux variables, leur estimation pratique, dans un contexte de régression logistique, sur un jeu de données public de prévision des feux de fôret (Algerian Forest Fires) est proposée et discutée.

Mots clés: Mesures d'importance; Régression linéaire; Régression logistique; Shapley

Domaines: Statistiques [math.ST]; Méthodologie [stat.ME]

Marouane Il Idrissi, Bertrand Iooss, Vincent Chabridon. Mesures d'importance relative par décomposition de la performance de modèles de régression. 52èmes Journées de Statistique de la Société Française de Statistique (SFdS), Jun 2021, Nice, France. ⟨hal-03149764⟩