MoyenneChoix unique

Question d'entraînement AI-900

Un data scientist entraîne un modèle de régression pour prédire les prix des logements en utilisant des caractéristiques telles que le nombre de chambres, la surface habitable et l'emplacement. Le modèle obtient une faible erreur sur les données d'entraînement mais donne des résultats nettement moins bons lorsqu'il est utilisé pour prédire les prix dans une nouvelle ville aux caractéristiques immobilières différentes. Quel concept explique le mieux ces mauvaises performances ?

Choisissez la meilleure réponse.

Bonne réponse

  • BOverfitting

Explication

Le modèle donne de bons résultats sur les données d'entraînement mais de mauvais résultats sur de nouvelles données provenant d'une ville différente, ce qui constitue le symptôme classique du surapprentissage. Le surapprentissage se produit lorsqu'un modèle apprend le bruit et les motifs spécifiques des données d'entraînement qui ne se généralisent pas aux données invisibles, en particulier lorsque les nouvelles données ont des caractéristiques différentes (par exemple, des dynamiques de marché immobilier différentes). Dans ce cas, le modèle a mémorisé les tendances de prix de la ville d'entraînement plutôt que d'apprendre des relations généralisables.

Pourquoi chaque option est juste ou fausse

A

Fausse

Underfitting

L'underfitting décrit un modèle trop simple pour capturer la véritable structure des données d'entraînement, il souffre donc d'un biais élevé et produit de grandes erreurs à la fois sur l'ensemble d'entraînement et sur les logements invisibles. Dans ce scénario, les logements nouvellement rencontrés n'auraient pas des performances moindres parce que le modèle a mémorisé l'ensemble d'entraînement ; au contraire, le modèle n'a jamais appris les schémas de prix sous-jacents en premier lieu.

B

Juste

Overfitting

Le surapprentissage se produit lorsqu'un modèle doté d'une capacité excessive apprend non seulement les véritables schémas des données d'entraînement, mais aussi leur bruit aléatoire et leurs particularités. Il en résulte une erreur d'entraînement très faible mais une mauvaise généralisation, et cet effet devient particulièrement visible lorsque de nouvelles maisons proviennent d'une distribution légèrement différente, car le bruit appris ne correspond plus. Le symptôme décrit — de bonnes performances pendant l'entraînement mais des performances dégradées sur de nouvelles données — est la signature classique du surapprentissage.

C

Fausse

Data leakage

La fuite de données se produit lorsque des informations extérieures à l'ensemble d'entraînement, telles que la valeur cible ou des données futures, sont involontairement utilisées lors de l'entraînement, ce qui gonfle la précision apparente du modèle. Contrairement au comportement décrit, la fuite présente généralement des performances irréalistement élevées lors de la validation et même sur certains ensembles de test, mais pas une baisse brutale spécifiquement sur de nouvelles maisons, à moins que la source de la fuite ne disparaisse. La question ne donne aucune indication sur des informations cibles ou des raccourcis temporels fuyant dans les caractéristiques des prix des logements.

D

Fausse

Bias-variance tradeoff

Le compromis biais-variance est un cadre statistique général qui décompose l'erreur de prédiction en biais, variance et bruit irréductible ; le surapprentissage est une manifestation d'une variance élevée, tandis que le sous-apprentissage reflète un biais élevé. Bien que le compromis décrive la tension entre la complexité du modèle et la généralisation, il ne s'agit pas en soi d'un mode de défaillance ou du diagnostic le plus direct pour un modèle qui performe bien sur les données d'entraînement et mal sur de nouvelles données. Le comportement décrit est spécifiquement le surapprentissage, et non le concept plus large.

Pour aller plus loin

La généralisation est l'objectif central de l'apprentissage supervisé : un modèle de régression pour les prix de l'immobilier doit apprendre la relation sous-jacente entre les caractéristiques et les prix, et non mémoriser les résultats exacts des exemples d'entraînement. Le surapprentissage survient lorsque la capacité du modèle est importante par rapport à la quantité de données d'entraînement diverses, ce qui permet au modèle d'encoder du bruit idiosyncrasique ; cela devient particulièrement catastrophique lorsque les nouvelles données proviennent d'une distribution déplacée, car les motifs de bruit ajustés ne sont plus applicables. Une idée reçue fréquente est que le surapprentissage signifie seulement obtenir de bons résultats sur les données d'entraînement, mais le diagnostic clé est l'écart de généralisation, c'est-à-dire la différence relative entre les erreurs d'entraînement et de validation. La régularisation, la validation croisée et l'utilisation d'un ensemble de validation qui reflète la véritable distribution de déploiement sont des défenses standard, mais elles ne peuvent pas compenser entièrement le décalage de distribution. Dans le scénario des prix immobiliers, même un modèle correctement régularisé pourrait faire l'objet d'un surapprentissage si les nouvelles maisons proviennent d'un quartier ou d'une période différents, car la correspondance caractéristique-prix apprise peut ne pas se transférer.

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.