Référence : Tan, chapitre 3 ; ISLR, chapitres 4 et 8 ; Géron, chapitre 6.

Contenus :

•       Arbres de décision : construction récursive et interprétation

•       Critères de séparation : entropie, gain d'information, indice de Gini

•       Surapprentissage des arbres et techniques d'élagage

•       Hyperparamètres de contrôle de la complexité

•       Avantages des arbres : interprétabilité, absence de mise à l'échelle, variables mixtes

•       Régression logistique : fonction logistique et rapports de cotes

•       Estimation, régularisation et interprétation des coefficients

•       Extension au cas multiclasse

•       Comparaison entre un modèle interprétable et un modèle performant

Objectifs pédagogiques :

•       Construire un arbre de décision et expliquer le critère de séparation retenu

•       Contrôler la complexité d'un arbre et diagnostiquer son surapprentissage

•       Mettre en œuvre une régression logistique et interpréter ses coefficients

•       Arbitrer entre interprétabilité et performance