Juste par curiosité, j'aimerai bien que tu me cites un exemple de « modèle "compréhensible" par un non statisticien ». N'y vois aucune malice, mais tu t'attaques à un modèle statistique raisonnablement complexe (en fait non, mais il est perçu comme tel), sur un argument pas forcément pertinent.
J'ajouterais de plus qu'utiliser une procédure varimax est la majorité du temps complètement incohérent du point de vue statistique, que cela soit au niveau modélisation qu'au niveau interprétation ou au niveau robustesse. Si je voulais tacler les gens qui font du machine learning, je dirais que c'est introduire tous les problèmes des méthodes de machine learning en perdant toutes les bonnes propriétés statistiques pour gagner un quart de poil de cuisse de grenouille sur un critère de performance ad-hoc qui n'a aucun sens hors de l'esprit de celui qui écrit la méthode. Attention, je dis la majorité du temps, il y a des cas pour lesquels c'est utile, cohérent et justifié, c'est pour cela que la méthode existe et est implémenté. Chaleureusement certains considèrent que si ça existe, c'est qu'on doit s'en servir.
Prend note également que les arbres de décisions ne sont pas un modèle explicable (car je sens que c'est la réponse que tu pourrais donner), malgré ce que peuvent dire certains adorateurs de ces méthodes. Enfin si ils le sont, dans sa version pédagogique, la plus simple. Dans le fait, il faut expliquer le choix de l'orthogonalité des frontières, le choix de la « meilleure coupe » et donc du critère, le choix de la profondeur de l'arbre, et ce que ça implique sur l'erreur d'apprentissage et l'erreur générale, et donc de parler de sur-apprentissage et de capacités de généralisation. de plus, pour les rendres performants, il faut souvent les améliorer avec des extensions, sous ou sur-echantillonnage, forêt aléatoires, etc. et ça aussi ça doit être compris.
Ne vois aucune attaque dans ce commentaire, mais j'ai l'impression que tu tiens dur comme fer à justifier des méthodes de machine learning, quitte à utiliser des arguments discutables.
[^] # Re: Bis repetita ;)
Posté par jben . En réponse au journal Des virus, des hommes, et de la dynamique.. Évalué à 5.
Juste par curiosité, j'aimerai bien que tu me cites un exemple de « modèle "compréhensible" par un non statisticien ». N'y vois aucune malice, mais tu t'attaques à un modèle statistique raisonnablement complexe (en fait non, mais il est perçu comme tel), sur un argument pas forcément pertinent.
J'ajouterais de plus qu'utiliser une procédure varimax est la majorité du temps complètement incohérent du point de vue statistique, que cela soit au niveau modélisation qu'au niveau interprétation ou au niveau robustesse. Si je voulais tacler les gens qui font du machine learning, je dirais que c'est introduire tous les problèmes des méthodes de machine learning en perdant toutes les bonnes propriétés statistiques pour gagner un quart de poil de cuisse de grenouille sur un critère de performance ad-hoc qui n'a aucun sens hors de l'esprit de celui qui écrit la méthode. Attention, je dis la majorité du temps, il y a des cas pour lesquels c'est utile, cohérent et justifié, c'est pour cela que la méthode existe et est implémenté. Chaleureusement certains considèrent que si ça existe, c'est qu'on doit s'en servir.
Prend note également que les arbres de décisions ne sont pas un modèle explicable (car je sens que c'est la réponse que tu pourrais donner), malgré ce que peuvent dire certains adorateurs de ces méthodes. Enfin si ils le sont, dans sa version pédagogique, la plus simple. Dans le fait, il faut expliquer le choix de l'orthogonalité des frontières, le choix de la « meilleure coupe » et donc du critère, le choix de la profondeur de l'arbre, et ce que ça implique sur l'erreur d'apprentissage et l'erreur générale, et donc de parler de sur-apprentissage et de capacités de généralisation. de plus, pour les rendres performants, il faut souvent les améliorer avec des extensions, sous ou sur-echantillonnage, forêt aléatoires, etc. et ça aussi ça doit être compris.
Ne vois aucune attaque dans ce commentaire, mais j'ai l'impression que tu tiens dur comme fer à justifier des méthodes de machine learning, quitte à utiliser des arguments discutables.