MoyenneChoix unique

Question d'entraînement MLA-C01

Une entreprise construit un modèle de détection de fraude sur un jeu de données déséquilibré (99 % légitimes, 1 % frauduleux). Pour améliorer le rappel sur la classe minoritaire, ils souhaitent rééchantillonner les données. Quelle combinaison de techniques doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • DSMOTE sur le jeu d'entraînement uniquement

Explication

SMOTE (Synthetic Minority Over-sampling Technique) génère des échantillons synthétiques de la classe minoritaire en interpolant entre des instances minoritaires existantes. Appliquer SMOTE uniquement au jeu d'entraînement empêche les échantillons synthétiques de fuiter dans le jeu de test, ce qui gonflerait les métriques d'évaluation et produirait un modèle trop optimiste. C'est l'approche de rééchantillonnage correcte pour améliorer le rappel sur un jeu de données de fraude déséquilibré.

Pourquoi chaque option est juste ou fausse

A

Fausse

SMOTE sur l'ensemble du jeu de données avant la séparation train/test

Appliquer SMOTE avant la séparation train/test fait fuiter des échantillons minoritaires synthétiques dans le jeu de test, gonflant les estimations de rappel car des quasi-doublons de lignes d'entraînement apparaissent dans l'évaluation. C'est tentant car SMOTE équilibre réellement les distributions de classes, et ce serait correct s'il était appliqué uniquement à la partition d'entraînement après la séparation.

B

Fausse

Sur-échantillonnage aléatoire de la classe minoritaire avant la séparation train/test

Dupliquer les lignes minoritaires avant la séparation place des copies identiques dans les jeux d'entraînement et de test, donc le modèle est évalué sur des données qu'il a déjà vues. Le sur-échantillonnage aléatoire est une technique d'équilibrage légitime, et ce serait correct s'il était limité au jeu d'entraînement après la séparation.

C

Fausse

Sous-échantillonnage aléatoire de la classe majoritaire

Le sous-échantillonnage aléatoire seul rejette des exemples de la classe majoritaire, perdant des informations et risquant le sous-apprentissage ; la question demande une combinaison. Ce serait correct associé à une méthode de sur-échantillonnage telle que SMOTE, qui ensemble équilibrent les classes tout en conservant les données.

D

Juste

SMOTE sur le jeu d'entraînement uniquement

SMOTE synthétise de nouveaux exemples de la classe minoritaire en interpolant entre des cas frauduleux existants, augmentant directement le rappel sur la classe à 1 %. L'appliquer uniquement au jeu d'entraînement préserve la distribution réelle 99:1 dans les données de validation et de test, empêchant les estimations de performance gonflées que causerait une fuite provenant de données de test rééchantillonnées.

Pour aller plus loin

SMOTE fonctionne en sélectionnant une instance minoritaire, en trouvant ses k plus proches voisins minoritaires (k=5 par défaut) et en créant un nouvel échantillon le long du segment de droite qui les relie. Cela étend la région de décision minoritaire et aide les classifieurs comme la régression logistique, SVM et les ensembles d'arbres à apprendre la frontière minoritaire. Un comportement subtil : SMOTE peut générer des échantillons bruités ou chevauchants dans des régions de classes à haute dimension ou fortement chevauchantes ; des variantes comme Borderline-SMOTE, ADASYN et SMOTE-NC (pour les caractéristiques catégorielles) traitent cela. De plus, SMOTE doit être appliqué à l'intérieur des plis de validation croisée (par exemple, via des pipelines imblearn) pour éviter les fuites lors du réglage des hyperparamètres. Scénario réel : une équipe de lutte contre la fraude utilise le Pipeline d'imblearn avec SMOTE appliqué uniquement aux plis d'entraînement, puis évalue le rappel et le PR-AUC sur le jeu de test intact pour refléter la performance réelle en production.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement MLA-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.