Une entreprise développe un outil de priorisation des leads afin que le personnel puisse contacter des clients potentiels. Les employés doivent pouvoir visualiser et ajuster manuellement l'importance (les poids) des variables d'entrée en fonction de leur expertise métier. Quel type de modèle ML prend en charge cette exigence ?

Le modèle de régression logistique est le plus approprié car il permet d'attribuer des poids interprétables aux variables d'entrée. Ces poids peuvent être ajustés manuellement par les experts métier pour refléter leur connaissance, ce qui correspond à l'exigence de l'entreprise. Les modèles d'apprentissage profond entraînés sur les composantes principales et les réseaux neuronaux sont des modèles de boîte noire. Leurs poids internes sont difficiles à interpréter et à ajuster manuellement de manière significative par un humain. Le modèle K-plus proches voisins (k-NN) est un algorithme non paramétrique qui ne calcule pas de poids pour les variables d'entrée, mais se base sur la similarité entre les points de données. Il ne permet donc pas d'ajuster l'importance des variables par des poids.