Bonne réponse
- BClassification supervisée
Explication
L'objectif est de prédire un résultat catégoriel (résiliation : oui/non) à partir de données historiques étiquetées. Les algorithmes de classification supervisée, tels que la régression logistique ou les arbres de décision, apprennent à partir des caractéristiques d'entrée (âge, historique des achats) et de l'étiquette cible (statut de résiliation) pour attribuer de nouveaux clients à l'une des classes discrètes. Cela correspond directement à l'exigence d'un modèle de classification binaire.
Pour aller plus loin
La prédiction de résiliation associe des caractéristiques d'entrée telles que l'âge et l'historique des achats à une étiquette discrète, résilié ou non, il s'agit donc d'une tâche de classification binaire. Sous le capot, des algorithmes comme la régression logistique ou les arbres à renforcement de gradient apprennent une frontière de décision en minimisant une perte telle que l'entropie croisée binaire, puis appliquent un seuil à une sortie de probabilité. Une subtilité intéressante à connaître : le score brut est une probabilité, et le déplacement de ce seuil échange la précision contre le rappel, ce qui importe lorsque les faux négatifs (clients résiliés manqués) coûtent plus cher que les faux positifs. Le déséquilibre des classes est courant car peu de clients résilient, de sorte que des techniques telles que la pondération des classes ou le rééchantillonnage sont utilisées. En pratique, un détaillant note chaque client actif chaque nuit et dirige ceux à forte probabilité vers des offres de rétention, en surveillant des métriques telles que l'AUC plutôt que la seule exactitude.
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.