Explaining the result of a decision tree to the end-user
Expliquer le résultat d'un arbre de décision à son utilisateur
Résumé
This paper addresses the problem of the explanation of the result given by a decision tree, when it is used to predict the class of new cases. In order to evaluate this result, the end-user relies on some estimate of the error rate and on the trace of the classification. Unfortunately the trace doesn't contain the information necessary to understand the case at hand. We propose a new method to qualify the result given by a decision tree when the data are continuous-valued. We perform a geometric study of the decision surface (the boundary of the inverse image of the different classes). This analysis gives the list of the tests of the tree that are the most sensitive to a change in the input data. Unlike the trace, this list can easily be ordered and pruned so that only the most important tests are presented. We also show how the metric can be used to interact with the end-user.
Cet article s'intéresse au problème de l'explication du résultat fourni par un arbre de décision, quand l'arbre est utilisé pour prédire la classe de nouveaux cas. Pour apprécier ce résultat, l'utilisateur dispose d'information sur l'erreur et aussi de la trace de la classification. Malheureusement la trace ne contient pas les éléments nécessaire à une bonne compréhension de la sotuation. Nous proposons une nouvelle méthode pour qualifier le résultat de l'arbre de décision quand les données sont continues. Nous effectuons une étude géométrique de la surface de décision (la frontière de l'image inverse des différentes classes). Cette analyse produit la liste des tests de l'arbre qui sont les plus sensibles à une modification des données d'entrée. Contrairement à la trace, cette liste peut facilement être ordonnée et élaguée, de manière à ne présenter que les tests les plus importants à l'utilisateur. Nous examinons aussi comment la métrique peut être utilisée comme support d'interaction avec l'utilisateur final.