MoyenneChoix unique

Question d'entraînement AI-900

Un data scientist souhaite entraîner un modèle de machine learning pour prédire le prix exact du marché d'une maison en se basant sur des caractéristiques telles que la surface habitable, le nombre de chambres et l'emplacement. Quel type de tâche de machine learning doit être utilisé ?

Choisissez la meilleure réponse.

Bonne réponse

  • BRegression

Explication

Prédire le prix exact du marché d'une maison est une tâche de régression car la variable cible (le prix) est une valeur numérique continue. Les algorithmes de régression, tels que la régression linéaire ou la régression par arbres de décision, apprennent la relation entre les caractéristiques d'entrée (par exemple, la surface habitable, les chambres, l'emplacement) et une sortie continue. Dans Azure Machine Learning, vous sélectionneriez un modèle de régression à partir du concepteur ou d'AutoML pour résoudre ce problème.

Pourquoi chaque option est juste ou fausse

A

Fausse

Classification

Prédire un prix de marché exact est une tâche de régression et non de classification, car la variable cible est une valeur numérique continue plutôt qu'une catégorie discrète. Cette option est tentante car la classification est couramment utilisée pour prédire des étiquettes telles que des tranches de prix « bas », « moyen » ou « élevé », ce qui serait correct si l'objectif était d'attribuer une maison à un niveau de prix prédéfini.

B

Juste

Regression

La régression prédit une valeur numérique continue, elle convient donc à la prévision du prix exact d'une maison à partir de caractéristiques telles que la surface habitable, les chambres et l'emplacement. La classification produirait des étiquettes ou des catégories discrètes, qui ne peuvent pas représenter le prix exact du marché requis par le scénario.

C

Fausse

Clustering

Le clustering regroupe des enregistrements non étiquetés par similarité et produit des attributions de clusters, et non une valeur numérique continue. Prédire le prix exact d'une maison nécessite une régression, qui ajuste une fonction associant des caractéristiques telles que la surface habitable à une cible continue. Le clustering conviendrait plutôt à la segmentation de maisons en groupes de quartiers.

D

Fausse

Anomaly Detection

La détection d'anomalies signale des observations rares qui s'écartent d'un modèle normal appris, produisant une étiquette plutôt qu'une estimation numérique. Prédire le prix exact d'une maison nécessite une régression sur des caractéristiques continues. La détection d'anomalies serait correcte pour identifier des annonces immobilières inhabituelles, telles que des fraudes ou des erreurs de saisie de données.

Pour aller plus loin

Les modèles de régression apprennent une mise en correspondance continue entre les caractéristiques d'entrée et une cible numérique en minimisant une perte telle que l'erreur quadratique moyenne, de sorte que la sortie est un nombre à valeurs réelles plutôt qu'une étiquette discrète. Sous le capot, la régression linéaire ajuste les coefficients par la méthode des moindres carrés ordinaires, tandis que les régresseurs à gradient boosté ou neuronaux optimisent le même objectif d'erreur quadratique de manière itérative. Une subtilité intéressante à connaître est que la régression prédit une espérance conditionnelle, de sorte qu'elle peut produire des valeurs en dehors de toute plage plausible, telles qu'un prix négatif ; les praticiens tronquent ou appliquent souvent une transformation logarithmique à la cible. Cela compte dans l'évaluation immobilière, où un modèle estimant le prix exact du marché alimente des décisions d'évaluation automatisées ou de prêt, et mal classifier la tâche en tant que classification éliminerait complètement les informations de magnitude ordinale.

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.