{"id":187119,"date":"2023-02-01T17:56:00","date_gmt":"2023-02-01T17:56:00","guid":{"rendered":"https:\/\/datascientest.com\/?p=187119"},"modified":"2023-11-09T13:54:09","modified_gmt":"2023-11-09T13:54:09","slug":"shap-tout-savoir","status":"publish","type":"post","link":"https:\/\/datascientest.com\/shap-tout-savoir","title":{"rendered":"SHapley Additive exPlanations ou SHAP : qu&rsquo;est-ce que c&rsquo;est ?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"187119\" class=\"elementor elementor-187119\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-a9be797 e-flex e-con-boxed e-con\" data-id=\"a9be797\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-a646baf elementor-widget elementor-widget-heading\" data-id=\"a646baf\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h2 class=\"elementor-heading-title elementor-size-default\"><b>SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning. Elle est bas\u00e9e sur les valeurs de Shapley, qui font appel \u00e0 la th\u00e9orie des jeux pour attribuer le cr\u00e9dit de la pr\u00e9diction d\u2019un mod\u00e8le \u00e0 chaque caract\u00e9ristique ou aux valeurs des caract\u00e9ristiques.<\/b><\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c6987f3 elementor-widget elementor-widget-text-editor\" data-id=\"c6987f3\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Le mode de fonctionnement de SHAP est de <strong>d\u00e9composer le r\u00e9sultat d\u2019un mod\u00e8le par les sommes de l\u2019impact de chaque caract\u00e9ristique<\/strong>. SHAP calcule une valeur qui repr\u00e9sente la contribution de chaque caract\u00e9ristique au r\u00e9sultat du mod\u00e8le. Ces valeurs peuvent \u00eatre utilis\u00e9es pour comprendre l\u2019importance de chaque caract\u00e9ristique et expliquer le r\u00e9sultat du mod\u00e8le \u00e0 un humain. Ceci apporte notamment une valeur ajout\u00e9e aux agences et aux \u00e9quipes qui rendent des comptes \u00e0 leurs clients ou leurs managers.<\/p><p>SHAP poss\u00e8de plusieurs propri\u00e9t\u00e9s int\u00e9ressantes, comme sa <strong>neutralit\u00e9<\/strong> vis-\u00e0-vis des mod\u00e8les. <strong>Cela lui permet d\u2019\u00eatre utilis\u00e9 sur n\u2019importe quel mod\u00e8le d\u2019apprentissage<\/strong>, de produire des explications coh\u00e9rentes et de g\u00e9rer les comportements complexes des mod\u00e8les (lorsque les caract\u00e9ristiques interagissent entre elles, par exemple).<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-5f6ecdd e-flex e-con-boxed e-con\" data-id=\"5f6ecdd\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6e82387 elementor-widget elementor-widget-heading\" data-id=\"6e82387\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Pourquoi SHAP est-il utile ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6437c6e elementor-widget elementor-widget-text-editor\" data-id=\"6437c6e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>SHAP comporte de nombreuses utilit\u00e9s pour les professionnels de la Data Science. Tout d\u2019abord, cette technique permet d\u2019expliquer les pr\u00e9dictions des mod\u00e8les de <a href=\"https:\/\/datascientest.com\/machine-learning-tout-savoir\">Machine Learning<\/a> de mani\u00e8re compr\u00e9hensible aux humains. <strong>Gr\u00e2ce \u00e0 l\u2019attribution d\u2019une valeur \u00e0 chaque caract\u00e9ristique entr\u00e9e, il montre comment et dans quelle mesure chaque caract\u00e9ristique a contribu\u00e9 au r\u00e9sultat final de la pr\u00e9diction<\/strong>. Ainsi, l\u2019\u00e9quipe peut comprendre comment le mod\u00e8le a pris sa d\u00e9cision et peut identifier les caract\u00e9ristiques les plus importantes.<\/p><p>Comme expliqu\u00e9 pr\u00e9c\u00e9demment, ce mod\u00e8le est dit agnostique (neutre). Il peut \u00eatre utilis\u00e9 avec n\u2019importe quel mod\u00e8le de Machine Learning. Vous n\u2019avez donc pas \u00e0 vous soucier de la structure du mod\u00e8le pour comprendre le r\u00e9sultat de la <strong>pr\u00e9diction avec SHAP<\/strong>. En plus, ce mod\u00e8le est coh\u00e9rent. Vous pouvez donc faire confiance aux explications produites, peu importe le mod\u00e8le \u00e9tudi\u00e9.<\/p><p>Enfin, SHAP est particuli\u00e8rement utile pour <strong>g\u00e9rer des comportements complexes<\/strong>. Vous pouvez utiliser cette technique pour comprendre comment diff\u00e9rentes caract\u00e9ristiques affectent ensemble la pr\u00e9diction du mod\u00e8le.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9031f3c elementor-widget elementor-widget-image\" data-id=\"9031f3c\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"745\" height=\"419\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/shap-machine-learning.jpg\" class=\"attachment-full size-full wp-image-187132\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/shap-machine-learning.jpg 745w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/shap-machine-learning-300x169.jpg 300w\" sizes=\"(max-width: 745px) 100vw, 745px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9e861fc elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"9e861fc\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">En savoir plus sur notre formation de Machine Learning Engineer<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-9dd4950 e-flex e-con-boxed e-con\" data-id=\"9dd4950\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-affb1b4 elementor-widget elementor-widget-heading\" data-id=\"affb1b4\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Comment utiliser SHAP pour expliquer les pr\u00e9dictions ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-51d8e70 elementor-widget elementor-widget-text-editor\" data-id=\"51d8e70\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Voici comment utiliser SHAP pour expliquer les pr\u00e9dictions d&rsquo;un mod\u00e8le de Machine Learning :<\/p><ol><li>Installez le package SHAP en utilisant<strong> \u2018pip install shap\u2019<\/strong>.<\/li><li>Importez le package SHAP et les autres librairies n\u00e9cessaires, comme <a href=\"https:\/\/datascientest.com\/numpy\">Numpy<\/a> et <a href=\"https:\/\/datascientest.com\/matplotlib-tout-savoir\">Matplotlib<\/a>.<\/li><li>Chargez votre mod\u00e8le de Machine Learning et pr\u00e9parez les donn\u00e9es d&rsquo;entr\u00e9e que vous souhaitez expliquer.<\/li><li>Cr\u00e9ez un objet SHAP en utilisant la fonction <strong>\u2018shap.TreeExplainer\u2019<\/strong> pour les mod\u00e8les bas\u00e9s sur des arbres, ou <strong>\u2018shap.KernelExplainer\u2019<\/strong> pour les autres types de mod\u00e8les.<\/li><li>Appelez la <strong>m\u00e9thode \u2018explain\u2019<\/strong> de l&rsquo;objet SHAP en lui passant les donn\u00e9es d&rsquo;entr\u00e9e que vous souhaitez expliquer. Cette m\u00e9thode retournera une matrice de valeurs SHAP qui repr\u00e9sente l&rsquo;impact de chaque caract\u00e9ristique sur la pr\u00e9diction du mod\u00e8le.<\/li><li>Utilisez les valeurs SHAP pour visualiser et interpr\u00e9ter les r\u00e9sultats. Par exemple, vous pouvez utiliser la fonction <strong>\u2018shap.summary_plot\u2019 pour g\u00e9n\u00e9rer un graphique<\/strong> r\u00e9sum\u00e9 qui montre l&rsquo;importance relative de chaque caract\u00e9ristique. Vous pouvez \u00e9galement utiliser la fonction <strong>\u2018shap.dependence_plot\u2019 pour visualiser<\/strong> comment une caract\u00e9ristique particuli\u00e8re influence la pr\u00e9diction du mod\u00e8le en fonction de la valeur de cette caract\u00e9ristique.<\/li><\/ol>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-22d1899 elementor-widget elementor-widget-text-editor\" data-id=\"22d1899\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Cette technique reste simple et est d\u2019une efficacit\u00e9 redoutable.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-3145f83 e-flex e-con-boxed e-con\" data-id=\"3145f83\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-b909a93 elementor-widget elementor-widget-heading\" data-id=\"b909a93\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Exemple d\u2019utilisation de SHAP<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e57de1f elementor-widget elementor-widget-text-editor\" data-id=\"e57de1f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Vous retrouverez ci-dessous un exemple d\u2019utilisation de SHAP, bas\u00e9 sur des arbres de d\u00e9cision. Pour mieux comprendre l\u2019exemple, parlons de <strong>TreeExplainer.<\/strong><\/p><p>TreeExplainer utilise une<strong> approche bas\u00e9e sur l\u2019approximation de l\u2019ensemble des arbres pour calculer les valeurs SHAP<\/strong> de chaque caract\u00e9ristique. Il permet donc d\u2019expliquer les pr\u00e9dictions de mod\u00e8les de Machine Learning gr\u00e2ce aux arbres de d\u00e9cision. Il est aussi utile pour expliquer les mod\u00e8les de r\u00e9gression et de classification, les <a href=\"https:\/\/datascientest.com\/random-forest-definition\">Random Forests<\/a> et les <a href=\"https:\/\/datascientest.com\/algorithmes-de-boosting-adaboost-gradient-boosting-xgboost\">Gradient Boosting Machines<\/a>.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7ae52a0 elementor-widget elementor-widget-image\" data-id=\"7ae52a0\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"800\" height=\"450\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/random-forest.png\" class=\"attachment-full size-full wp-image-187128\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/random-forest.png 800w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/random-forest-300x169.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/random-forest-768x432.png 768w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d104737 elementor-widget elementor-widget-text-editor\" data-id=\"d104737\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Voici un exemple simple d\u2019utilisation SHAP avec un mod\u00e8le de r\u00e9gression bas\u00e9 sur des arbres de d\u00e9cision :<\/p><p style=\"padding-left: 40px;\">import shap<br \/>import numpy as np<br \/>import matplotlib.pyplot as plt<\/p><p style=\"padding-left: 40px;\"># Chargez votre mod\u00e8le<br \/>model = load_model()<\/p><p style=\"padding-left: 40px;\"># Pr\u00e9parez les donn\u00e9es d&rsquo;entr\u00e9e que vous souhaitez expliquer<br \/>X = prepare_data()<\/p><p style=\"padding-left: 40px;\"># Cr\u00e9ez un objet SHAP en utilisant l&rsquo;explicatif TreeExplainer<br \/>explainer = shap.TreeExplainer(model)<\/p><p style=\"padding-left: 40px;\"># Appelez la m\u00e9thode explain en lui passant les donn\u00e9es d&rsquo;entr\u00e9e<br \/>shap_values = explainer.explain(X)<\/p><p style=\"padding-left: 40px;\"># Affichez un graphique r\u00e9sum\u00e9 de l&rsquo;importance relative de chaque caract\u00e9ristique<br \/>shap.summary_plot(shap_values, X)<\/p><p style=\"padding-left: 40px;\"># Affichez le diagramme de d\u00e9pendance de la caract\u00e9ristique \u00ab\u00a0age\u00a0\u00bb<br \/>shap.dependence_plot(\u00ab\u00a0age\u00a0\u00bb, shap_values, X)<\/p><p>Cet exemple calcule les valeurs SHAP pour chaque \u00e9l\u00e9ment de X. Il affiche ensuite un graphique r\u00e9sum\u00e9 de l\u2019importance relative de chaque caract\u00e9ristique et un diagramme de d\u00e9pendance pour la cat\u00e9gorie \u00ab\u00a0\u00e2ge\u00a0\u00bb.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-47ad07b e-flex e-con-boxed e-con\" data-id=\"47ad07b\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6ceb2b2 elementor-widget elementor-widget-heading\" data-id=\"6ceb2b2\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Pour conclure<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6ad4be9 elementor-widget elementor-widget-text-editor\" data-id=\"6ad4be9\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>SHAP est donc une technique permettant d\u2019expliquer les pr\u00e9dictions des mod\u00e8les de Machine Learning de mani\u00e8re polyvalente et puissante. <strong>Cette m\u00e9thode est agnostique, coh\u00e9rente et permet de g\u00e9rer les comportements complexes des mod\u00e8les<\/strong>. SHAP est particuli\u00e8rement utile pour comprendre le fonctionnement d\u2019un mod\u00e8le, identifier les caract\u00e9ristiques importantes et expliquer le r\u00e9sultat des pr\u00e9dictions \u00e0 d\u2019autres personnes de votre \u00e9quipe ou vos clients.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-b3c3812 e-flex e-con-boxed e-con\" data-id=\"b3c3812\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-7a4ec24 elementor-widget elementor-widget-text-editor\" data-id=\"7a4ec24\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Maintenant que vous avez d\u00e9couvert SHAP, vous d\u00e9sirez peut-\u00eatre le ma\u00eetriser. Pour ce faire, nous vous invitons \u00e0 <strong>en savoir plus sur les formations DataScientest<\/strong> int\u00e9grant le Machine Learning dans le cursus.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5f7d278 elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"5f7d278\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/formation-machine-learning-engineer\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">D\u00e9couvrir notre formation de Machine Learning Engineer<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-7b659bb e-flex e-con-boxed e-con\" data-id=\"7b659bb\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t\t\t<div class=\"elementor-element elementor-element-3e4b528 elementor-widget elementor-widget-html\" data-id=\"3e4b528\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": [{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Pourquoi SHAP est-il utile ?\u200b\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"SHAP comporte de nombreuses utilit\u00e9s pour les professionnels de la Data Science. Tout d\u2019abord, cette technique permet d\u2019expliquer les pr\u00e9dictions des mod\u00e8les de Machine Learning de mani\u00e8re compr\u00e9hensible aux humains. Gr\u00e2ce \u00e0 l\u2019attribution d\u2019une valeur \u00e0 chaque caract\u00e9ristique entr\u00e9e, il montre comment et dans quelle mesure chaque caract\u00e9ristique a contribu\u00e9 au r\u00e9sultat final de la pr\u00e9diction. Ainsi, l\u2019\u00e9quipe peut comprendre comment le mod\u00e8le a pris sa d\u00e9cision et peut identifier les caract\u00e9ristiques les plus importantes.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Comment utiliser SHAP pour expliquer les pr\u00e9dictions ?\u200b\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Utilisez les valeurs SHAP pour visualiser et interpr\u00e9ter les r\u00e9sultats. Par exemple, vous pouvez utiliser la fonction \u2018shap.summary_plot\u2019 pour g\u00e9n\u00e9rer un graphique r\u00e9sum\u00e9 qui montre l'importance relative de chaque caract\u00e9ristique. Vous pouvez \u00e9galement utiliser la fonction \u2018shap.dependence_plot\u2019 pour visualiser comment une caract\u00e9ristique particuli\u00e8re influence la pr\u00e9diction du mod\u00e8le en fonction de la valeur de cette caract\u00e9ristique.\"\r\n    }\r\n  }]\r\n}\r\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning. Elle est bas\u00e9e sur les valeurs de Shapley, qui font appel \u00e0 la th\u00e9orie des jeux pour attribuer le cr\u00e9dit de la pr\u00e9diction d\u2019un mod\u00e8le \u00e0 chaque caract\u00e9ristique ou aux valeurs des caract\u00e9ristiques. Le mode [&hellip;]<\/p>\n","protected":false},"author":78,"featured_media":187121,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2497],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>SHapley Additive exPlanations ou SHAP : qu&#039;est-ce que c&#039;est ?<\/title>\n<meta name=\"description\" content=\"SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/shap-tout-savoir\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"SHapley Additive exPlanations ou SHAP : qu&#039;est-ce que c&#039;est ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/shap-tout-savoir\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2023-02-01T17:56:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T13:54:09+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/shap.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1200\" \/>\n\t<meta property=\"og:image:height\" content=\"600\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"J\u00e9r\u00e9my Robert\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"J\u00e9r\u00e9my Robert\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/shap-tout-savoir\",\"url\":\"https:\/\/datascientest.com\/shap-tout-savoir\",\"name\":\"SHapley Additive exPlanations ou SHAP : qu'est-ce que c'est ?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2023-02-01T17:56:00+00:00\",\"dateModified\":\"2023-11-09T13:54:09+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\"},\"description\":\"SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning.\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/shap-tout-savoir\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/#website\",\"url\":\"https:\/\/datascientest.com\/\",\"name\":\"Formation Data Science | DataScientest.com\",\"description\":\"Leader de la formation en Data Science\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\",\"name\":\"J\u00e9r\u00e9my Robert\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"caption\":\"J\u00e9r\u00e9my Robert\"},\"description\":\"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/jeremyrobert1\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/jeremyrobert\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"SHapley Additive exPlanations ou SHAP : qu'est-ce que c'est ?","description":"SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/shap-tout-savoir","og_locale":"fr_FR","og_type":"article","og_title":"SHapley Additive exPlanations ou SHAP : qu'est-ce que c'est ?","og_url":"https:\/\/datascientest.com\/shap-tout-savoir","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2023-02-01T17:56:00+00:00","article_modified_time":"2023-11-09T13:54:09+00:00","og_image":[{"width":1200,"height":600,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/01\/shap.png","type":"image\/png"}],"author":"J\u00e9r\u00e9my Robert","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"J\u00e9r\u00e9my Robert","Dur\u00e9e de lecture estim\u00e9e":"5 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/shap-tout-savoir","url":"https:\/\/datascientest.com\/shap-tout-savoir","name":"SHapley Additive exPlanations ou SHAP : qu'est-ce que c'est ?","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2023-02-01T17:56:00+00:00","dateModified":"2023-11-09T13:54:09+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925"},"description":"SHapley Additive exPlanations, plus commun\u00e9ment appel\u00e9 SHAP, est une technique qui permet d\u2019expliquer le r\u00e9sultat des mod\u00e8les de Machine Learning.","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/shap-tout-savoir"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/#website","url":"https:\/\/datascientest.com\/","name":"Formation Data Science | DataScientest.com","description":"Leader de la formation en Data Science","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925","name":"J\u00e9r\u00e9my Robert","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","caption":"J\u00e9r\u00e9my Robert"},"description":"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.","sameAs":["https:\/\/www.linkedin.com\/in\/jeremyrobert1\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/jeremyrobert"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/187119"}],"collection":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=187119"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/187119\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/187121"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=187119"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=187119"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=187119"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}