Absolument. L'action permet de calculer l'importance des interactions grâce au paramètre varIntImp. Vous pouvez spécifier le degré maximum d'interaction (jusqu'à 3) pour identifier comment la combinaison de plusieurs facteurs influence le score final. C'est un outil précieux pour les Data ScientistsExperts extrayant des connaissances via des méthodes statistiques, algorithmes et IA. Ils transforment les données brutes en insights stratégiques pour résoudre des problèmes métier complexes. qui souhaitent valider la robustesse du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). et découvrir des synergies complexes entre les données métier.
Peut-on mesurer l influence des interactions entre variables lors du scoring ?
Exemples pour l'action dtreeScore
Scoring basique d'un modèle d'arbre
Ici, on applique notre modèle fraîchement généré sur nos données d'origine pour obtenir de simples prédictions dans une nouvelle table de sortie.
Scoring complet avec probabilités, encodage parfait et parcours d'arbre
Sortons l'artillerie lourde 🚀 ! On score la table en demandant explicitement les probabilités (%%assess%% et %%assessOneRow%%), en nommant proprement les colonnes avec un préfixe lisible 'P_' (%%encodeName%%), et en gardant la trace complète du chemin emprunté dans l'arbre pour assurer l'explicabilité de la décision (%%path%%).