MoyenneChoix unique

Question d'entraînement AI-900

Un data scientist entraîne un modèle de classification pour prédire si un e-mail est du spam ou non. Le modèle atteint une précision de 98% sur l'ensemble de test, mais après inspection, il classe tous les e-mails comme 'non spam' car le dataset contient 95% d'e-mails non spam. Quel est le problème le plus probable ?

Choisissez la meilleure réponse.

Bonne réponse

  • CData imbalance

Explication

Le modèle atteint une précision de 98% en prédisant simplement que tous les e-mails sont 'non spam', ce qui reflète la classe majoritaire de 95% dans le dataset. C'est un symptôme classique de déséquilibre de classes, où le modèle apprend à exploiter la distribution biaisée plutôt qu'à apprendre des motifs significatifs pour distinguer le spam du non-spam. Dans Azure Machine Learning, des techniques telles que SMOTE ou l'échantillonnage stratifié sont utilisées pour atténuer ce problème.

Pourquoi chaque option est juste ou fausse

A

Fausse

Overfitting

Overfitting se produit lorsqu'un modèle apprend trop bien les données d'entraînement et ne parvient pas à généraliser, ce qui entraîne généralement un écart important entre la précision d'entraînement et de test. Ici, la précision est suspectement élevée sur l'ensemble de test, mais le modèle est trivial et non surajusté.

B

Fausse

Underfitting

Underfitting signifie que le modèle ne parvient pas à capturer les motifs d'entraînement, produisant une faible précision sur les deux ensembles ; ici, la précision d'entraînement est élevée et les prédictions sont constantes, ce qui indique plutôt un déséquilibre de classes. Le sous-apprentissage serait le diagnostic lorsqu'un modèle est trop simple pour apprendre le signal sous-jacent.

C

Juste

Data imbalance

Avec 95% d'e-mails non spam, un modèle prédisant la classe majoritaire obtient une précision de 95% tout en n'attrapant aucun spam. La distribution de classes biaisée permet au modèle de minimiser la perte en ignorant la classe minoritaire, de sorte que la précision induit en erreur. Le rééchantillonnage ou la pondération des classes remédient à ce déséquilibre.

D

Fausse

Feature scaling error

L'échelle des caractéristiques affecte la vitesse de convergence et les algorithmes basés sur la distance, et non la décision de prédire une classe pour chaque entrée ; la classe majoritaire de 95% pilote ce comportement. Les erreurs de mise à l'échelle seraient les coupables lorsque des caractéristiques sur des plages extrêmement différentes déforment un modèle tel que k-NN ou SVM.

Pour aller plus loin

Le déséquilibre de classes se produit lorsqu'une classe surpasse largement une autre, de sorte qu'un modèle peut atteindre une précision élevée en prédisant toujours la classe majoritaire. Avec 95% de non-spam, un classeteur trivial qui étiquette tout comme non-spam obtient une précision de 95% tout en détectant zéro spam, ce qui correspond exactement à l'échec décrit. La précision est trompeuse en cas de déséquilibre ; des métriques telles que la précision (precision), le rappel (recall), F1 et l'AUC-ROC sur la classe minoritaire révèlent le problème. Un comportement subtil à connaître est que les techniques de rééchantillonnage comme SMOTE, la pondération des classes ou l'ajustement des seuils peuvent aider, mais elles ne doivent être appliquées qu'aux données d'entraînement pour éviter les fuites vers la validation. Cela importe dans la détection des fraudes, le diagnostic médical et le filtrage du spam, où la classe minoritaire est généralement celle qui présente un réel intérêt.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 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.