DifficileChoix multiples

Question d'entraînement AIF-C01

Lequel des DEUX éléments suivants constitue une bonne pratique pour préparer des données d'entraînement pour un modèle de machine learning ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • ATraiter les valeurs manquantes en les imputant ou en les supprimant.
  • BDiviser les données en ensembles d'entraînement, de validation et de test.

Explication

Les valeurs manquantes peuvent biaiser ou corrompre de nombreux algorithmes de ML, la meilleure pratique est donc de les traiter explicitement — soit par imputation (par exemple, moyenne, médiane, mode ou méthodes basées sur des modèles), soit en supprimant les lignes ou colonnes concernées lorsque cela est approprié. Diviser les données en ensembles d'entraînement, de validation et de test permet un ajustement impartial du modèle, le réglage des hyperparamètres et l'estimation finale des performances, évitant ainsi la fuite de données et le surapprentissage. Supprimer toutes les valeurs aberrantes n'est pas une bonne pratique car elles peuvent constituer un signal légitime ; les supprimer aveuglément peut fausser la distribution et réduire la robustesse, elles doivent donc être étudiées et traitées selon le contexte. S'entraîner sur l'ensemble du jeu de données n'est pas une bonne pratique car cela ne laisse aucune donnée de côté pour la validation ou le test, rendant impossible l'estimation fiable de la généralisation. Ne pas mélanger les données n'est pas une bonne pratique car le mélange est généralement nécessaire pour éliminer le biais d'ordre et garantir des mini-lots représentatifs, en particulier lorsque les données sont triées par classe ou par temps.

Pourquoi chaque option est juste ou fausse

A

Juste

Traiter les valeurs manquantes en les imputant ou en les supprimant.

Les valeurs manquantes brisent de nombreux algorithmes et faussent les estimations, donc imputer des substituts sensés ou supprimer les lignes concernées évite les erreurs et un apprentissage faussé. Il s'agit d'une étape de préparation standard garantissant que le jeu d'entraînement est complet et représentatif avant l'ajustement du modèle.

B

Juste

Diviser les données en ensembles d'entraînement, de validation et de test.

Mettre de côté des partitions de validation et de test permet de régler les hyperparamètres et d'estimer la généralisation sur des données que le modèle n'a jamais vues, protégeant contre le surapprentissage. S'entraîner sur le jeu de données complet sans divisions gonflerait la précision rapportée et masquerait de piètres performances dans le monde réel.

C

Fausse

Supprimer toutes les valeurs aberrantes pour améliorer la robustesse du modèle.

Les valeurs aberrantes représentent fréquemment de véritables cas de fraude ou de défaillance, les supprimer retire donc précisément le signal qu'un modèle financier doit détecter. Les supprimer est tentant car les valeurs extrêmes faussent les moyennes et les distances, et ce n'est valable que lorsqu'une valeur aberrante est une mesure confirmée ou une erreur de saisie plutôt qu'un événement réel.

D

Fausse

Utiliser l'ensemble du jeu de données pour l'entraînement afin de maximiser l'utilisation des données.

Mettre de côté une division de validation ou de test est ce qui expose le surapprentissage ; s'entraîner sur chaque enregistrement ne laisse aucune donnée invisible pour estimer l'erreur de généralisation. Utiliser l'ensemble du jeu de données est tentant car plus d'échantillons aident souvent, et ce n'est légitime qu'après que les hyperparamètres ont été gelés, lors du réentraînement sur toutes les données avant le déploiement.

E

Fausse

Éviter de mélanger les données pour préserver l'ordre d'origine.

Le mélange brise toute corrélation d'ordre entre des échantillons consécutifs, de sorte qu'un modèle entraîné sur des données triées peut apprendre des artefacts de séquence plutôt que le motif sous-jacent. Préserver l'ordre est tentant pour les séries temporelles ou les données séquentielles, où les divisions chronologiques comptent, mais même dans ce cas, mélanger au sein de chaque division est standard.

Pour aller plus loin

Bien préparer les données d'entraînement implique de traiter les valeurs manquantes en les imputant ou en les supprimant, et de diviser les données en ensembles d'entraînement, de validation et de test. Les valeurs manquantes peuvent biaiser un modèle si elles sont laissées telles quelles, et les choix d'imputation tels que la moyenne, la médiane ou les méthodes basées sur des modèles affectent les distributions apprises. La division entraînement/validation/test permet de régler les hyperparamètres sur les données de validation et d'estimer la généralisation sur des données de test mises de côté, réduisant ainsi le surapprentissage. Une subtilité : supprimer toutes les valeurs aberrantes n'est pas toujours correct car les valeurs aberrantes peuvent représenter de véritables événements rares que le modèle doit apprendre, et l'utilisation de l'ensemble du jeu de données pour l'entraînement ne laisse aucune évaluation impartiale. Cela importe dans le ML en production où la fuite ou des divisions non représentatives amènent les modèles à bien fonctionner hors ligne mais à échouer sur le trafic en direct.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.