Shapley Additive Explanations (SHAP)

Shapley Additive Explanations (SHAP)

🎙 Machine learning classroom 👥 2K 📅 28 février 2026 ⏱ 20 min 👁 136 📄 cours magistral 🧭 2026-08-15
Disponible en : Français (actuel) English

Mots-clés

SHAPvaleur de Shapleyexplicabilitéattributioncoopératif

Résumé

Cette vidéo présente SHAP (SHapley Additive exPlanations), une méthode d’explicabilité des modèles de machine learning fondée sur la théorie des jeux coopératifs. L’auteur explique comment SHAP attribue à chaque caractéristique une contribution à la prédiction, en la considérant comme un joueur dans une coalition. Il définit deux variantes de la fonction de valeur : conditionnelle et marginale, et souligne que SHAP repose sur quatre axiomes : efficacité, symétrie, dummy et additivité. Ces axiomes garantissent une solution unique, la valeur de Shapley, qui se calcule comme une somme pondérée sur toutes les coalitions possibles. L’auteur discute de la complexité exponentielle du calcul exact et des approximations (Kernel SHAP, Tree SHAP, Monte Carlo). Il met en avant les forces de SHAP : additivité exacte, unicité axiomatique, répartition équitable des interactions et propriété de monotonie. Il aborde aussi les limites : dépendance à la distribution des données, variance des approximations et hypothèse d’indépendance des caractéristiques qui peut générer des combinaisons irréalistes. La vidéo se conclut sur une comparaison avec LIME, soulignant que SHAP gère mieux les interactions.

174 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la vidéo fournit une explication conceptuelle solide de SHAP, en insistant sur les fondements axiomatiques et la justification théorique. L’argumentation est structurée et progressive : l’auteur part de la question de l’attribution équitable, introduit la théorie des jeux, énonce les axiomes, présente le théorème d’unicité et discute des implications pratiques. Les explications sont claires et illustrées par des exemples, comme le cas d’interaction entre deux caractéristiques. La démonstration de l’unicité est mentionnée mais pas détaillée, ce qui est acceptable pour un cours d’introduction. La discussion sur les forces et limites est équilibrée et pertinente.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les concepts sont présentés avec précision et les axiomes sont correctement énoncés. Cependant, aucune source n’est citée dans la vidéo ni dans la description, ce qui limite la vérifiabilité. Le titre est en adéquation avec le contenu. La chaîne semble être une ressource éducative, mais sans références externes, la qualité des sources ne peut être pleinement évaluée. Aucun commentaire n’est fourni pour analyser les tendances du public.

189 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu, qui est une introduction détaillée à SHAP.

Qualité & fiabilité

8/10

Exposé rigoureux des fondements axiomatiques de SHAP, avec démonstration de l'unicité et discussion des hypothèses. Pas de sources citées, mais le contenu est conforme à la littérature scientifique sur les valeurs de Shapley.

Moments clés

Apport & nouveautés

La vidéo apporte une explication pédagogique claire des fondements théoriques de SHAP, en insistant sur les axiomes et l’unicité, ce qui est rare dans les tutoriels pratiques. Elle met en lumière les hypothèses implicites (indépendance des caractéristiques) et les compromis entre exactitude et calcul.

Pour aller plus loin :

102 mots

Profil radar

Le profil radar montre un contenu équilibré avec des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité. Le niveau technique est également bon, indiquant une vidéo adaptée à un public ayant des bases en machine learning.

Fiabilité 8/10