Biais inductif
Ensemble d'hypothèses qu'un algorithme d'apprentissage utilise pour généraliser des données observées à des instances invisibles.
Définition
Chaque modèle intègre des biais, par exemple des hypothèses de régularité dans les méthodes du noyau ou de localité dans KNN, qui guident la généralisation. La reconnaissance du biais inductif aide les équipes de gouvernance à sélectionner des algorithmes adaptés au domaine et à comprendre les modes de défaillance. Il indique également la quantité de données nécessaire pour un apprentissage fiable et les classes de modèles qui peuvent systématiquement être sous-performantes sur certaines tâches.
Exemple concret
Une équipe de séries chronologiques choisit un modèle autorégressif parce que son biais inductif suppose une continuité temporelle, s'adaptant mieux aux données du cours des actions qu'un NN prévisionnel. Ils documentent ce choix dans la justification de leur sélection de modèles pour les audits futurs et s'assurent que le biais du modèle correspond aux connaissances du domaine.
.svg)
