Bonne réponse
Explication
LIME (Local Interpretable Model-agnostic Explanations) est le bon choix car elle génère des explications locales en ajustant un modèle de substitution plus simple et interprérable (par exemple, une régression linéaire ou un arbre de décision) autour d'une seule prédiction. Cela permet à l'équipe d'expliquer pourquoi une demande de prêt spécifique a été approuvée ou rejetée, répondant aux exigences de transparence réglementaire sans avoir besoin d'accéder aux mécanismes internes du modèle original.
Pour aller plus loin
LIME fonctionne en générant des échantillons perturbés autour de l'instance d'intérêt, en les pondérant par proximité (à l'aide d'un noyau exponentiel), puis en entraînant un modèle linéaire creux (par exemple, Lasso) sur ces échantillons pondérés pour approximer localement le comportement du modèle original. Un comportement subtil est que le choix de la largeur du noyau et du nombre d'échantillons perturbés peut affecter considérablement la stabilité et la fidélité de l'explication, nécessitant un réglage minutieux en production. Dans un scénario réel d'approbation de prêt, LIME peut mettre en évidence qu'un demandeur spécifique s'est vu refuser le prêt en raison d'un ratio d'endettement élevé, même si le modèle global s'appuie fortement sur la cote de crédit.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.