★ À maîtriser
Compléments
Le jeu de données iris comprend 150 observations, chacune décrite par l’espèce de la fleur — setosa, virginica ou versicolor — et quatre caractéristiques morphologiques : la longueur et la largeur des sépales et des pétales.
Dans le jeu iris, l’ACP porte sur les quatre variables quantitatives et ses deux premiers axes expliquent plus de 97 % de la variabilité des données.
📌 Dans le clustering de l’iris, les groupes sont construits sans utiliser l’espèce, qui peut ensuite servir à colorer les mêmes individus pour comparer les groupes obtenus aux espèces réelles.
Le clustering forme des groupes sans utiliser l’espèce, contrairement à la comparaison avec les espèces réelles.
★ À maîtriser
📌 L’analyse descriptive caractérise les distributions, les relations entre variables et les ressemblances entre individus, tandis que l’apprentissage supervisé vise à prédire une variable pour aider à la prise de décision.
Compléments
Décrire les données observe ; prédire exploite les données pour décider.
★ À maîtriser
📌 Les variables d’entrée X servent à produire une prédiction, tandis que la variable de sortie Y est celle que l’on cherche à prédire.
📐 Formule - À partir de , l’objectif est de construire un prédicteur tel que pour une nouvelle entrée .
Compléments
Les variables d’entrée X sont aussi appelées variables explicatives, caractéristiques, variables indépendantes, prédicteurs ou covariables, et leur nombre d est la dimension du problème.
La variable de sortie Y est aussi appelée sortie, résultat, variable cible, étiquette ou variable réponse.
📐 Formule - Les observations d’apprentissage s’écrivent et constituent un échantillon de n couples entrée-réponse.
★ À maîtriser
Une variable quantitative ou numérique prend ses valeurs dans ℝ, avec un ordre et une distance bien définis, tandis qu’une variable qualitative ou catégorielle prend ses valeurs dans un ensemble fini.
Une variable nominale est qualitative sans ordre ni distance entre ses modalités, tandis qu’une variable ordinale possède un ordre mais pas de distance entre ses modalités.
Lorsque la variable de sortie Y est réelle, le problème est une régression et le prédicteur peut s’écrire .
Lorsque Y est une variable nominale prenant ses valeurs dans un ensemble fini de classes , le problème est une classification supervisée, aussi appelée discrimination, et chaque est une classe ou catégorie.
Compléments
Y numérique → régression ; Y nominale → classification.
★ À maîtriser
La classification binaire, très fréquente en pratique, comporte exactement deux classes de sortie.
Les deux classes d’une classification binaire sont souvent recodées par convention en {0,1} ou en {−1,+1}, sans que cela modifie le problème.
Compléments
📌 La classification supervisée attribue à chaque observation une classe parmi les catégories définies, tandis que la classification non supervisée est appelée clustering.
📐 Formule - Avec des classes recodées en {0,1}, le nombre de prédictions de classe 1 parmi n observations s’écrit .
Le codage 0/1 change les étiquettes, pas le problème.
★ À maîtriser
Dans l’exemple de classification de l’iris, seules les espèces versicolor et virginica sont retenues et l’espèce est prédite à partir des longueurs du sépale et du pétale.
Pour classer un point avec 9 plus proches voisins, on calcule la proportion de chaque classe parmi ces voisins et on prédit la classe majoritaire.
📐 Formule - Pour la classification binaire par 9 voisins, le prédicteur vaut si la proportion des voisins de classe 1 dépasse 50 %, et vaut sinon.
Compléments
★ À maîtriser
Compléments
Une fonction de deux variables peut être représentée en deux dimensions par plusieurs courbes de niveau annotées avec leurs valeurs, au lieu d’un graphique de surface en trois dimensions.
Dans la représentation de la fonction de décision de l’exemple, les zones bleues correspondent à des valeurs inférieures à 0,5 et les zones rouges à des valeurs supérieures à 0,5.
Comme sur une carte de randonnée, les courbes relient les points de même valeur.
★ À maîtriser
📐 Formule - En régression par k plus proches voisins, la prédiction est la moyenne des valeurs de sortie des k voisins les plus proches : .
Compléments
★ À maîtriser
Compléments
Les domaines de l’apprentissage non supervisé présentés sont :
Les méthodes de régression supervisée présentées sont :
Les méthodes de classification supervisée présentées sont :
Teste tes connaissances sur Apprentissage supervisé : exemples et représentations avec 21 questions à choix multiples et corrections détaillées.
1. Pour explorer un jeu de données, une analyste veut examiner la distribution d’une variable, puis la relation entre deux variables. Quels graphiques convient-il d’utiliser, dans cet ordre ?
2. Une équipe regroupe des individus selon une distance choisie entre eux. Quelle propriété les groupes obtenus par clustering doivent-ils viser ?
Mémorisez les concepts clés de Apprentissage supervisé : exemples et représentations avec 66 flashcards interactives.
Quels outils l’analyse exploratoire utilise-t-elle pour étudier une variable et deux variables ?
Des histogrammes pour une variable et des nuages de points pour deux variables.
Selon quel critère la classification non supervisée regroupe-t-elle les individus ?
Selon leur similarité, déterminée par une distance entre individus.
Que caractérise l’analyse descriptive ?
Les distributions, les relations entre variables et les ressemblances entre individus.
Intelligence Artificielle
Programmation
Cybersécurité
Programmation
Réseaux
Intelligence Artificielle
Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.
Générateur de fiches