Machine Learning

Validation par Machine Learning

Triple triangulation algorithmique confirmant la robustesse du modèle structurel AIGR validé par PLS-SEM (UM5, N=390). Les trois analyses convergent vers la même hiérarchie de construits.

A

Analyse A — Triangulation prédictive

Features
5 scores de construits
Cible
Composite AIGR (%)
Modèles
OLS · Ridge · Random Forest · Gradient Boosting
Métriques
Q², RMSE, MAE en validation croisée 10-fold (seed = 42)
B

Analyse B — Triangulation structurelle

Comparaison des coefficients OLS / Ridge vs les β PLS-SEM.

Test
La hiérarchie DIR > OAC > RAI > EST > PVO est-elle préservée ?
Méthodes
Spearman ρ + Pearson r (sur les poids normalisés)
C

Analyse C — Triangulation par importance des features

Random Forest permutation importance + Gradient Boosting importance.

Test
Spearman ρ par méthode vs β PLS-SEM

Résultats de convergence

Les trois analyses confirment indépendamment la structure du modèle.

A
  • Ridge · Q²1,000
  • Random Forest · Q²0,905
  • Gradient Boosting · Q²0,956
B
  • OLS vs PLS · Spearman ρ1,000
  • OLS vs PLS · Pearson r0,987
C
  • RF permutation · Spearman ρ1,000
  • Gradient Boosting · Spearman ρ1,000
Hiérarchie strictement préservée :
DIROACRAIESTPVO