FacileChoix unique

Question d'entraînement AI-900

Une entreprise de vente au détail dispose de données historiques sur les clients, notamment l'âge, l'historique des achats et le fait qu'ils aient résilié ou non (oui/non). Elle souhaite entraîner un modèle qui prédit si un nouveau client résiliera. Quel type de machine learning doit-elle utiliser ?

Choisissez la meilleure réponse.

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.

Pourquoi chaque option est juste ou fausse

A

Fausse

Régression supervisée

La régression prédit une valeur numérique continue, alors que la résiliation est une étiquette binaire oui/non. Elle serait correcte pour prévoir les dépenses ou la valeur vie client, mais la classification est requise pour attribuer les clients à des catégories résiliés ou conservés.

B

Juste

Classification supervisée

L'étiquette de résiliation est binaire (oui/non) et les enregistrements historiques contiennent déjà des résultats connus, de sorte que le modèle apprend un mappage à partir de caractéristiques telles que l'âge et l'historique des achats vers cette étiquette. Il s'agit d'une classification supervisée, et non d'un clustering ou d'une régression.

C

Fausse

Clustering non supervisé

Le clustering groupe des données non étiquetées par similarité et découvre une structure sans classes prédéfinies. L'ensemble de données contient déjà des étiquettes de résiliation connues, un algorithme de classification supervisée est donc nécessaire ; le clustering conviendrait pour segmenter les clients lorsqu'aucun champ de résultat n'existe.

D

Fausse

Apprentissage par renforcement

L'apprentissage par renforcement apprend à partir de signaux de récompense par interaction d'essais et d'erreurs, et non à partir d'enregistrements historiques de résiliation étiquetés. Il convient aux problèmes de décision séquentielle tels que la robotique ou les jeux, où un agent optimise ses actions au fil du temps plutôt de classifier des exemples existants.

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.