MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce que l''ingénierie des caractéristiques' (feature engineering) et pourquoi est-ce important pour les modèles d'apprentissage automatique?

Choisissez la meilleure réponse.

Bonne réponse

  • BCréation et transformation de variables d'entrée à l'aide de la connaissance du domaine pour améliorer les performances du modèle

Explication

L'ingénierie des caractéristiques est le processus de création de nouvelles variables d'entrée ou de transformation des variables existantes à l'aide de la connaissance du domaine pour aider les modèles d'apprentissage automatique à mieux capturer les motifs dans les données. Elle a un impact direct sur les performances du modèle en rendant les relations sous-jacentes plus explicites, en réduisant le bruit et en permettant aux algorithmes d'apprendre plus efficacement. Dans Azure Machine Learning, cela se fait souvent par le biais d'outils d'ingénierie des caractéristiques automatisés ou de scripts Python personnalisés au sein de pipelines.

Pourquoi chaque option est juste ou fausse

A

Fausse

Construction de caractéristiques d'infrastructure physique (clusters de GPU) pour l'entraînement des modèles

Les clusters de GPU sont du matériel d'entraînement physique, tandis que l'ingénierie des caractéristiques manipule des colonnes de données telles que la mise à l'échelle, l'encodage ou la dérivation de ratios. Le provisionnement du matériel est tentant car l'infrastructure d'entraînement compte, mais il répond à la capacité de calcul, et non au contenu informatif ou à la qualité des entrées du modèle.

B

Juste

Création et transformation de variables d'entrée à l'aide de la connaissance du domaine pour améliorer les performances du modèle

L'ingénierie des caractéristiques crée et transforme des variables d'entrée, en utilisant la connaissance du domaine pour exposer des motifs qu'un jeu de données brut masque (mise à l'échelle, encodage, combinaison de champs). Des entrées mieux représentées permettent à l'algorithme d'apprendre des relations plus précises, améliorant directement les performances du modèle.

C

Fausse

Le processus de sélection de l'algorithme d'apprentissage automatique à utiliser pour une tâche

La sélection d'algorithmes relève de l'entraînement des modèles, et non de l'ingénierie des caractéristiques, qui transforme des données brutes en variables d'entrée informatives. Choisir un algorithme est tentant car cela façonne également les performances du modèle, mais cela se produit après l'existence des caractéristiques et ne crée ni neaffine les prédicteurs consommés par le modèle.

D

Fausse

Ajout de nouveaux nœuds de calcul à un cluster d'entraînement pour accélérer l'entraînement

L'ajout de nœuds de calcul est une mise à l'échelle horizontale de l'infrastructure d'entraînement, et non de l'ingénierie des caractéristiques, qui dérive ou transforme des variables d'entrée. La mise à l'échelle est tentante car elle améliore également les résultats du modèle, mais elle modifie le débit et le temps d'entraînement plutôt que la représentation des données fournies à l'algorithme.

Pour aller plus loin

L'ingénierie des caractéristiques est la pratique consistant à utiliser la connaissance du domaine pour sélectionner, créer et transformer des variables d'entrée brutes en représentations qui facilitent l'apprentissage des motifs par un modèle. Elle comprend des techniques telles que l'encodage one-hot des variables catégorielles, la mise en classes (binning) des valeurs continues, la normalisation ou la standardisation des plages numériques, l'extraction de parties de dates telles que le jour de la semaine, le calcul de ratios ou d'agrégats, et la gestion des valeurs manquantes. La qualité et la pertinence des caractéristiques influencent souvent la précision du modèle plus que le choix de l'algorithme, car un modèle ne peut apprendre que du signal présent dans ses entrées. Un comportement subtil est la fuite de données (data leakage), où une caractéristique dérivée à l'aide d'informations futures gonfle la précision de validation mais échoue en production. Un scénario réaliste est un modèle de désabonnement (churn) où les horodatages bruts de la dernière connexion sont convertis en jours depuis la dernière connexion, une caractéristique qui capture directement l'engagement et améliore les performances prédictives.

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.