FacileChoix unique

Question d'entraînement AI-900

Un data scientist élabore un modèle pour prédire la température exacte en degrés Celsius sur la base de l'humidité et de la pression atmosphérique. Le modèle génère une seule valeur numérique pour chaque entrée. Quel type de tâche de machine learning est-ce ?

Choisissez la meilleure réponse.

Bonne réponse

  • BRegression

Explication

Il s'agit d'une tâche de régression car l'objectif est de prédire une valeur numérique continue (la température en degrés Celsius) à partir de caractéristiques d'entrée (humidité et pression atmosphérique). Les modèles de régression produisent un nombre réel en sortie, contrairement à la classification qui prédit des catégories discrètes. Dans Azure Machine Learning, des algorithmes de régression tels que Linear Regression ou Decision Forest Regression sont utilisés pour de telles tâches.

Pourquoi chaque option est juste ou fausse

A

Fausse

Classification

La classification prédit une étiquette de classe discrète, tandis que l'énoncé requiert une valeur de température numérique continue, ce qui relève de la régression. C'est tentant car la classification est la tâche supervisée courante pour les données étiquetées, mais elle ne serait correcte que si la sortie était une catégorie telle que chaud, tiède ou froid.

B

Juste

Regression

La régression prédit une sortie numérique continue, ici une valeur de température exacte en degrés Celsius à partir d'entrées d'humidité et de pression. La classification produirait des étiquettes discrètes ou des catégories à la place, de sorte que la régression est le type de tâche qui correspond à cette prédiction continue.

C

Fausse

Clustering

Le clustering est un regroupement non supervisé de points de données similaires, produisant des attributions de clusters plutôt qu'une valeur numérique prédite. C'est tentant car le clustering convient à l'exploration de données non étiquetées, mais il ne serait correct que lorsque l'objectif est de découvrir des regroupements naturels, et non de prédire la température à partir de l'humidité et de la pression.

D

Fausse

Object detection

La détection d'objets localise et classe des éléments dans des images, générant des boîtes englobantes et non une température numérique à partir d'entrées tabulaires de capteurs. C'est tentant car il s'agit d'une charge de travail d'AI bien connue, mais elle ne serait correcte que pour identifier et positionner des objets dans des données d'image ou de vidéo.

Pour aller plus loin

La régression prédit une valeur numérique continue, de sorte qu'un modèle entraîné sur l'humidité et la pression pour produire la température en degrés Celsius minimise une perte telle que l'erreur quadratique moyenne sur des étiquettes à valeurs réelles. La classification prédit plutôt des étiquettes de classe discrètes, le clustering regroupe des points non étiquetés et la détection d'objets localise et classe des objets dans des images. Une subtilité est que les sorties de régression peuvent être n'importe quel nombre réel, c'est pourquoi les praticiens évaluent souvent avec MAE ou RMSE plutôt qu'avec l'exactitude, et peuvent avoir besoin de borner les prédictions à des plages physiquement plausibles. Cette distinction importe lors du choix des types de tâches et des métriques Azure Machine Learning, car sélectionner la classification rendrait la température discrète et éliminerait la relation numérique dont l'entreprise a besoin.

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.