Le compromis biais-variance : l'arbitrage central de l'apprentissage (L3 Data économie)

Le compromis biais-variance est l'arbitrage fondamental qui gouverne la capacité d'un modèle d'apprentissage à généraliser à de nouvelles données. En L3 du parcours data pour économistes, dans le cours de machine learning, les QCM CampusQCM testent ce concept structurant. L'erreur de prédiction sur des…

Le compromis biais-variance est l'arbitrage fondamental qui gouverne la capacité d'un modèle d'apprentissage à généraliser à de nouvelles données. En L3 du parcours data pour économistes, dans le cours de machine learning, les QCM CampusQCM testent ce concept structurant. L'erreur de prédiction sur des données nouvelles (erreur de généralisation) se décompose en trois termes : le biais au carré, la variance et une erreur irréductible (le bruit). Le biais mesure l'erreur systématique due à un modèle trop simple, incapable de capturer la structure réelle : c'est le sous-apprentissage (underfitting). La variance mesure la sensibilité du modèle aux fluctuations de l'échantillon d'entraînement : un modèle trop complexe colle au bruit et change beaucoup d'un échantillon à l'autre, c'est le sur-apprentissage (overfitting). Le compromis vient de ce que réduire le biais (complexifier le modèle) augmente la variance, et inversement. L'objectif est de trouver la complexité optimale qui minimise l'erreur totale. On le pilote par la régularisation, la validation croisée et la sélection de modèle. Le compromis biais-variance est la clé de lecture de la performance des modèles prédictifs.