Bonne réponse
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.
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.