L'apprentissage supervisé : prédire à partir de données étiquetées (Master Data)

L'apprentissage supervisé est la branche du machine learning où un modèle apprend à prédire une variable cible à partir d'exemples étiquetés. En Master de data science appliquée à l'économie, dans le cours de machine learning, les QCM CampusQCM testent ce paradigme central. Le principe…

L'apprentissage supervisé est la branche du machine learning où un modèle apprend à prédire une variable cible à partir d'exemples étiquetés. En Master de data science appliquée à l'économie, dans le cours de machine learning, les QCM CampusQCM testent ce paradigme central. Le principe est d'apprendre une fonction reliant des variables explicatives (features) à une variable cible connue (label) à partir d'un ensemble d'entraînement. On distingue deux grands types de problèmes : la régression, quand la cible est quantitative continue (prédire un prix, un revenu), et la classification, quand la cible est qualitative (prédire une catégorie, un défaut de paiement). L'objectif n'est pas de mémoriser les données d'entraînement, mais de généraliser à de nouvelles données. C'est pourquoi on évalue le modèle sur un ensemble de test distinct. Un enjeu majeur est le compromis biais-variance : un modèle trop simple sous-apprend (biais élevé), tandis qu'un modèle trop complexe surapprend (overfitting), capturant le bruit des données d'entraînement et généralisant mal. Pour contrôler ce compromis, on utilise la validation croisée et des techniques de régularisation. L'apprentissage supervisé recouvre de nombreux algorithmes (régression linéaire et logistique, arbres, forêts aléatoires, réseaux de neurones). Il illustre l'approche prédictive de la data science, complémentaire de l'économétrie explicative.