IBIS-XLe Machine Learning de bout en bout, pour les non-experts
Choisissez un dataset selon des critères techniques ET éthiques, entraînez un modèle en 9 étapes guidées, puis comprenez ses décisions grâce à l'explicabilité.
Entraînement guidé · Étape 6 sur 9
ExempleChoix de l'algorithme
Choisissez l'algorithme adapté à vos données.
Importance globale (SHAP)
Aperçu du produit — reconstitution fidèle en composants, pas une capture d'écran.
Le parcours, en quatre temps
Le même fil vous accompagne à chaque étape de l'application.
01
Décrivez votre objectif : l'application propose ensuite des datasets pondérés selon vos priorités.
02
Un catalogue documenté, un scoring pondéré sur 12 critères et une heatmap comparative pour choisir en confiance.
03
9 étapes pédagogiques, garde-fous méthodologiques, reproductibilité garantie (random_state=42).
04
SHAP et LIME avec indicateurs de fiabilité calculés, explication adaptée à votre profil et chat.
Comment nous évaluons les données
Douze critères techniques et éthiques, visibles avant de choisir un dataset.
Un catalogue documenté, un scoring pondéré sur 12 critères et une heatmap comparative pour choisir en confiance.
CommencerUne IA qui explique ses limites
Si SHAP n'est pas disponible pour votre modèle, l'application bascule sur LIME et le signale explicitement — jamais de résultat maquillé.
Chaque entraînement fixe la graine aléatoire (random_state=42) : mêmes données, même résultat.
Complétude SHAP, stabilité, fidélité LIME : des indicateurs calculés, pas des promesses.