:orphan:

|rss_image|  **2020-02 - 1/1** :ref:`Blog <ap-main-0>` :ref:`session (28) <ap-cat-session-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. index:: 2020-02


.. _ap-month-2020-02-0:

2020-02 - 1/1
+++++++++++++

.. blogpostagg::
    :title: Plan pour la session du 21
    :date: 2020-02-21
    :keywords: interprétabilité,biais éthniques
    :categories: session
    :rawfile: 2020/2020-02-21_session.rst

    Importance des variables
    
    * feature importance
        * When training a tree we can compute how much each feature contributes to decreasing the weighted impurity.
        * que dire des variables corrélées ?
    * permutation importance
                * On permute les valeurs dans une colonne de features, on mesure la perte en performance par rapport au score sans permutation.
                * `Random Forest <https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf>`_
    * Dépendances partielles
        * Partial dependence of a feature (or a set of features) corresponds to the average response of an estimator for each possible value of the feature.
        * `Partial dependance plots <https://scikit-learn.org/stable/modules/partial_dependence.html>`_
    
    Interprétation locales
    
    * `LIME (Local Interpretable Model-Agnostic Explanations) <https://arxiv.org/pdf/1602.04938v1.pdf>`_
        * Approximer localement la prédiction d'un modèle par un modèle interprétable (comme une régression Lasso),
          cela revient en quelque sorte à calculer le gradient du modèle en chaque feature pour un point donnée.
        * .. image:: lime.png
        * Simplifier l'analyse en groupant les variables (pixels) si trop de variables
    * `SHAP (SHapley Additive exPlanations) <https://papers.nips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions.pdf>`_
                * Value d'une variable : on calcule l'espérance de la prédiction en tirant aléatoirement des valeurs pour cette variable (loi marginal),
          on fait la différence avec la prédiction moyenne.
        * Lire `Interpretable Machine Learning <https://christophm.github.io/interpretable-ml-book/>`_
                * .. image:: shap.png
    * `CounterFactual <https://christophm.github.io/interpretable-ml-book/counterfactual.html>`_
                * Dérivées partielles
        * La prédiction est Y, on souhaite Z, quelle est le plus petit changement dans X pour avoir Z ?
    

    ...




.. blogpostagg::
    :title: Plan pour la session du 14
    :date: 2020-02-14
    :keywords: séries temporelles
    :categories: session
    :rawfile: 2020/2020-02-14_session.rst

    * séries temporelles (:epkg:`statsmodels`),
      prédictions, tendance, lissage, saisonnalité
      (:epkg:`prophet`), voir `lissage exponentiel
      <https://en.wikipedia.org/wiki/Exponential_smoothing>`_,
      changement de tendances, le module peut tenir compte
      des jours fériés, `SSA
      <https://www.kaggle.com/jdarcy/introducing-ssa-for-time-series-decomposition>`_,
      `Application of the singular-spectrum analysis to change-point detection in time
      <http://ssa.cf.ac.uk/zhigljavsky/changepoint/CH_P_T_S.pdf>`_,
      `Singular Spectrum Analysis
      <https://en.wikipedia.org/wiki/Singular_spectrum_analysis>`_
    * `quelques jeux de données
      <https://archive.ics.uci.edu/ml/datasets.php?format=&task=&att=&area=&numAtt=10to100&numIns=&type=ts&sort=nameUp&view=table>`_
    * `clustering à Chicago
      <http://www.xavierdupre.fr/app/ensae_projects/helpsphinx/challenges/city_bike.html>`_
    * :ref:`enediscartesrst`




.. blogpostagg::
    :title: Régression Lasso, Ridge
    :date: 2020-02-07
    :keywords: ridge,lasso,API
    :categories: session
    :rawfile: 2020/2020-02-07_sklapi.rst

    Le notebook :ref:`2020-02-07sklapirst`
    reprend ce qui a été développé durant la dernière
    session, à savoir la régression Ridge, Lasso qui
    permet de sélectionner les variables,
    puis l'API de *scikit-learn* et une façon
    de créer ses propres modèles.





----

|rss_image|  **2020-02 - 1/1** :ref:`2022-01 (1) <ap-month-2022-01-0>` :ref:`2022-02 (4) <ap-month-2022-02-0>` :ref:`2022-09 (1) <ap-month-2022-09-0>` :ref:`2023-01 (2) <ap-month-2023-01-0>` :ref:`2023-02 (3) <ap-month-2023-02-0>`