Accurate predictive model of band gap with selected important features based on explainable machine learning
Cette étude démontre que l'utilisation de techniques d'apprentissage automatique explicable permet de sélectionner les cinq caractéristiques les plus pertinentes pour construire un modèle prédictif de bande interdite plus simple, aussi précis que le modèle complet sur les données internes et nettement plus généralisable sur les données externes, tout en soulignant la nécessité d'éliminer les caractéristiques fortement corrélées pour éviter des interprétations erronées.