QCM : Apprentissage supervisé : exemples et représentations (21 questions)

Questions et réponses du QCM

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 ?

Un histogramme, puis un dendrogramme
Une boîte à moustaches, puis un histogramme
Un histogramme, puis un nuage de points
Un nuage de points, puis un histogramme

Un histogramme, puis un nuage de points

Explication

L’analyse exploratoire décrit une variable séparément avec un histogramme et examine la relation entre deux variables avec un nuage de points. Inverser ces outils confond leurs usages, tandis que le dendrogramme relève du regroupement et que la boîte à moustaches ne correspond pas à la paire de variables demandée.

2. Une équipe regroupe des individus selon une distance choisie entre eux. Quelle propriété les groupes obtenus par clustering doivent-ils viser ?

Des individus dissemblables dans un groupe et proches entre groupes
Des individus proches dans un groupe et dissemblables entre groupes
Des groupes déterminés par la prédiction d’une étiquette connue
Des groupes de même effectif, quelle que soit la distance entre individus

Des individus proches dans un groupe et dissemblables entre groupes

Explication

Le clustering forme des groupes dont les individus sont similaires entre eux et dissemblables de ceux des autres groupes, selon une distance définie. La dissimilarité interne inverse le critère, l’égalité des effectifs n’est pas la propriété visée, et prédire une étiquette connue relève de l’apprentissage supervisé.

3. Une analyste doit d’abord décrire les distributions et les relations d’un jeu de données, puis prédire si un demandeur obtiendra un prêt à partir de ses caractéristiques. Quelle distinction s’applique à ces deux tâches ?

Les deux relèvent de l’apprentissage supervisé des distributions observées
La première relève de l’apprentissage supervisé, la seconde de l’analyse descriptive
La première relève de l’analyse descriptive, la seconde de l’apprentissage supervisé
Les deux relèvent de l’analyse descriptive des ressemblances entre individus

La première relève de l’analyse descriptive, la seconde de l’apprentissage supervisé

Explication

L’analyse descriptive caractérise les distributions, les relations et les ressemblances, tandis que l’apprentissage supervisé prédit une variable pour éclairer une décision. Intervertir les tâches confond description et prédiction; réduire les deux à des ressemblances ou à des distributions ne rend pas compte de la décision de prêt.

4. Dans une situation donnée, un modèle prédit le délai de livraison à partir de la distance, du poids du colis et du mode d’expédition. De quel type de méthode s’agit-il ?

Une méthode d’apprentissage supervisé
Une méthode de réduction de dimension
Une méthode d’analyse descriptive
Une méthode de clustering non supervisé

Une méthode d’apprentissage supervisé

Explication

L’apprentissage supervisé regroupe les méthodes qui prédisent une variable à partir des autres variables ou d’un sous-ensemble de celles-ci. Décrire les variables n’effectue pas cette prédiction, le clustering regroupe sans viser une variable à prédire, et la réduction de dimension transforme la représentation des données.

5. Pour prévoir le délai de livraison d’un colis à partir de sa distance et de son poids, quel rôle joue la variable « délai de livraison » ?

Variable d’entrée utilisée pour prédire
Variable indépendante décrivant le colis
Variable de sortie à prédire
Variable explicative servant de prédicteur

Variable de sortie à prédire

Explication

La variable de sortie Y est celle que le modèle cherche à prédire, tandis que la distance et le poids sont des variables d’entrée. Traiter le délai comme une caractéristique d’entrée confond la cible avec les variables utilisées pour la prédiction.

6. Un jeu d’apprentissage contient des paires d’observations Dn=(xi,yi)i=1nD_n=(x_i,y_i)_{i=1}^n. Pour estimer la réponse associée à une nouvelle entrée xx, quel objectif doit-on poursuivre ?

Construire un prédicteur gg tel que x=g(y)x=g(y)
Reprendre la réponse observée d’un exemple de DnD_n
Construire un prédicteur gg tel que y=g(x)y=g(x)
Construire un prédicteur gg tel que x=y=g(x)x=y=g(x)

Construire un prédicteur $$g$$ tel que $$y=g(x)$$

Explication

L’objectif est d’apprendre un prédicteur qui associe une réponse à une nouvelle entrée, soit y=g(x)y=g(x). Écrire x=g(y)x=g(y) inverse les rôles, et reprendre une réponse observée ne définit pas la prédiction recherchée.

7. Une équipe décrit la couleur d’un véhicule par sa catégorie et sa masse par une valeur mesurée en kilogrammes. Quelle distinction s’applique à ces deux variables ?

La couleur et la masse sont toutes deux qualitatives
La couleur et la masse sont toutes deux quantitatives
La couleur est qualitative et la masse quantitative
La couleur est quantitative et la masse qualitative

La couleur est qualitative et la masse quantitative

Explication

Une variable qualitative prend ses valeurs dans un ensemble fini de modalités, tandis qu’une variable quantitative possède des valeurs numériques avec un ordre et une distance définis. Considérer la couleur comme une mesure réelle confond catégorie et quantité.

8. Un service recueille une appréciation parmi « médiocre », « satisfaisant » et « excellent », sans mesurer l’écart entre les appréciations. Comment classer cette variable ?

Variable quantitative continue
Variable qualitative ordinale
Variable quantitative discrétisée
Variable qualitative nominale

Variable qualitative ordinale

Explication

Les appréciations sont ordonnées, mais les écarts entre elles ne sont pas définis : la variable est donc qualitative ordinale. La classification nominale négligerait l’ordre, tandis qu’une variable quantitative supposerait des valeurs numériques mesurables.

9. Un modèle doit prévoir la consommation d’énergie d’un bâtiment, exprimée par une valeur réelle. Quel type de problème et quel codomaine conviennent au prédicteur ?

Classification, avec f:R→Xf:\mathbb{R}\to\mathcal{X}
Régression, avec f:X→{C1,…,CM}f:\mathcal{X}\to\{C_1,\ldots,C_M\}
Classification, avec f:X→Rf:\mathcal{X}\to\mathbb{R}
Régression, avec f:X→Rf:\mathcal{X}\to\mathbb{R}

Régression, avec $$f:\mathcal{X}\to\mathbb{R}$$

Explication

Une sortie réelle caractérise une régression, dont le prédicteur associe les entrées à des valeurs de R\mathbb{R}. Une sortie en classes finies relèverait de la classification, et inverser le domaine et le codomaine change le sens de la prédiction.

10. Une banque veut prédire si une demande de prêt appartient à l’une de trois catégories nominales : acceptée, refusée ou à examiner. De quel problème s’agit-il ?

Classification supervisée, ou discrimination
Classification non supervisée sans sortie cible
Régression supervisée sur des catégories nominales
Régression supervisée sur une sortie réelle

Classification supervisée, ou discrimination

Explication

Une variable de sortie nominale prenant ses valeurs dans un ensemble fini de classes définit une classification supervisée, également appelée discrimination. Une régression suppose une sortie réelle, et un regroupement non supervisé ne prédit pas une variable cible.

11. Un service doit attribuer à chaque dossier l’une de deux issues possibles : « accepté » ou « refusé ». Combien de classes de sortie comporte ce problème de classification binaire ?

Trois classes
Une classe
Deux classes
Quatre classes

Deux classes

Explication

Une classification binaire comporte exactement deux classes de sortie. Une variable d’entrée ne détermine pas le nombre de classes, et trois ou quatre issues correspondraient à davantage de deux classes.

12. Une équipe recode les catégories « malade » et « non malade » en {0,1}\{0,1\} au lieu de leurs noms. Quel effet ce recodage a-t-il sur le problème de classification ?

Il remplace les catégories par des variables d’entrée
Il impose un ordre substantiel entre les deux classes
Il change les étiquettes, sans changer le problème
Il transforme les deux classes en trois catégories

Il change les étiquettes, sans changer le problème

Explication

Le codage en {0,1}\{0,1\} est une convention d’écriture des deux classes et ne modifie pas le problème. Il ne crée pas une classe supplémentaire, n’établit pas à lui seul une distance réelle entre catégories et ne transforme pas les étiquettes en variables d’entrée.

13. Pour appliquer l’exemple de classification de l’iris, une analyste conserve deux espèces et veut prédire l’espèce à partir de mesures florales. Quelle sélection correspond à cet exemple ?

Versicolor et virginica, avec les longueurs du sépale et du pétale
Versicolor et virginica, avec les largeurs du sépale et du pétale
Versicolor et virginica, avec la longueur du sépale seule
Setosa et versicolor, avec les longueurs du sépale et du pétale

Versicolor et virginica, avec les longueurs du sépale et du pétale

Explication

L’exemple retient les espèces versicolor et virginica et utilise les longueurs du sépale et du pétale pour prédire l’espèce. Remplacer une espèce, employer des largeurs ou supprimer l’une des deux mesures ne correspond pas à ce dispositif.

14. Un point est classé à partir de ses 9 plus proches voisins : 5 appartiennent à la classe A et 4 à la classe B. Quelle classe faut-il prédire avec la règle de majorité ?

Aucune classe sans égalité
La classe du voisin le plus proche
La classe B
La classe A

La classe A

Explication

La règle des 9 plus proches voisins compare les proportions des classes et prédit la classe majoritaire ; ici, A regroupe 5 voisins sur 9. Choisir la minorité inverse la règle, se fier au seul voisin le plus proche l’ignore, et une égalité n’est pas requise.

15. Avec 9 voisins, 6 points sont de classe 1 et 3 de classe 0. Quelle valeur le prédicteur binaire attribue-t-il au nouveau point ?

h(x)=13h(x)=\frac{1}{3}
h(x)=1h(x)=1
h(x)=23h(x)=\frac{2}{3}
h(x)=0h(x)=0

$$h(x)=1$$

Explication

La proportion de voisins de classe 1 est 69=23\frac{6}{9}=\frac{2}{3}, donc elle dépasse 50 % et le prédicteur vaut h(x)=1h(x)=1. 23\frac{2}{3} est le score de proportion, 13\frac{1}{3} correspond à la proportion de classe 0, et choisir 0 inverse la règle.

16. Pour représenter une fonction de deux variables, que désigne une courbe de niveau associée à une valeur donnée ?

L’ensemble des points où une variable prend cette même valeur
L’ensemble des points où la fonction prend cette même valeur
L’ensemble des points suivant lesquels la fonction augmente le plus vite
L’ensemble des valeurs que la fonction peut prendre sur tout son domaine

L’ensemble des points où la fonction prend cette même valeur

Explication

Une courbe de niveau rassemble les points auxquels la fonction associe une valeur identique. Une variable constante concerne une coordonnée, la pente maximale décrit une direction de variation, et l’ensemble des valeurs de la fonction ne désigne pas une courbe de niveau.

17. Dans une classification par 9 voisins, une fonction de décision attribue une proportion de classe 1 à chaque point. Quelle courbe sépare les régions prédites comme classe 0 de celles prédites comme classe 1 ?

La courbe de niveau 0,9
La courbe de niveau 0,5
La courbe de niveau 0,1
La courbe de niveau 1

La courbe de niveau 0,5

Explication

La courbe de niveau 0,5 constitue la frontière de décision entre les régions prédites comme classe 0 et celles prédites comme classe 1. Les niveaux 0,9 et 0,1 correspondent à d’autres valeurs de la fonction, tandis que le niveau 1 n’est pas le seuil séparateur.

18. Une analyste reprend l’exemple de régression sur l’iris et veut prévoir une mesure florale à partir d’une autre pour le groupe concerné. Quel sous-ensemble et quelles variables correspondent à cet exemple ?

Longueur du sépale prédite à partir de la longueur du pétale chez versicolor
Longueur du pétale prédite à partir de la longueur du sépale chez toutes les espèces
Longueur du pétale prédite à partir de la longueur du sépale chez setosa
Longueur du pétale prédite à partir de la longueur du sépale chez versicolor

Longueur du pétale prédite à partir de la longueur du sépale chez versicolor

Explication

L’exemple prédit la longueur du pétale à partir de la longueur du sépale, en considérant les individus de l’espèce versicolor. Prédire la longueur du sépale inverse les rôles des variables, setosa change d’espèce, et toutes les espèces élargit indûment le sous-ensemble.

19. Pour une nouvelle observation, les cinq voisins les plus proches ont des valeurs de sortie 2, 4, 6, 8 et 10. Quelle prédiction donne la régression par 5 plus proches voisins ?

7
30
6
2

6

Explication

La régression par voisins prédit la moyenne des valeurs de sortie des voisins retenus : 2+4+6+8+105=6\frac{2+4+6+8+10}{5}=6. La valeur 2 correspond au voisin le plus proche, 30 à la somme sans moyenne, et 7 à une moyenne calculée après exclusion de la première valeur.

20. Une équipe organise les principales approches de l’apprentissage statistique. Laquelle rassemble des familles reconnues de ce domaine ?

Supervisé, non supervisé, semi-supervisé, régression, classification et clustering
Supervisé, non supervisé, semi-supervisé, actif, séquentiel et par renforcement
Supervisé, non supervisé, actif, séquentiel, classification et réseaux de neurones
Régression, classification, estimation de densité, clustering, splines et réseaux de neurones

Supervisé, non supervisé, semi-supervisé, actif, séquentiel et par renforcement

Explication

Le panorama distingue notamment six familles : supervisée, non supervisée, semi-supervisée, active, séquentielle et par renforcement. La régression et la classification sont des tâches, tandis que les autres réponses omettent ou remplacent certaines familles.

21. Une analyste souhaite réduire le nombre de variables, estimer la distribution des données et regrouper les observations sans étiquettes. Quel ensemble de méthodes correspond à l’apprentissage non supervisé dans ce panorama ?

Réduction de dimension, estimation de densité et clustering
Réduction de dimension, estimation de densité et régression par voisins
Régression linéaire, estimation de densité et clustering
Réduction de dimension, classification logistique et clustering

Réduction de dimension, estimation de densité et clustering

Explication

Le panorama associe à l’apprentissage non supervisé la réduction de dimension, l’estimation de densité et le clustering. La régression linéaire et la régression par voisins relèvent de la régression supervisée, tandis que la classification logistique est une méthode de classification supervisée.

Révisez avec les flashcards

Mémorisez les réponses avec 66 flashcards sur Apprentissage supervisé : exemples et représentations.

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.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Apprentissage supervisé : exemples et représentations.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM