Termes clés - Principes de la science des données

Termes clés

exactitude: en apprentissage automatique en général, mesure de la justesse d'un modèle d'apprentissage automatique par rapport à ses prédictions.

biais: erreur introduite par des modèles trop simplistes ou trop rigides qui ne capturent pas les caractéristiques importantes des données

mégadonnées: jeux de données extrêmement volumineux et complexes nécessitant des méthodes particulières pour être traités

classification binaire (binomiale): classification de données dans l'une de deux catégories

agrégation bootstrapping (bagging): rééchantillonnage à plusieurs reprises à partir des mêmes données de test pour créer un ensemble de modèles (par exemple des arbres de décision) qui contribuent tous au modèle global

bootstrappingping: rééchantillonnage de portions de données à plusieurs reprises afin de générer une distribution qui détermine un intervalle de confiance pour les paramètres d'un modèle

centroïde: centre géométrique d'un sous-ensemble de points

cluster: sous-ensemble d'un jeu de données constitué de points présentant des caractéristiques similaires ou situés à proximité les uns des autres

matrice de confusion: tableau de valeurs indiquant la façon dont les données ont été classées correctement ou incorrectement par un modèle donné. L'élément situé à la ligne i et à la colonne j donne le nombre de fois (ou le pourcentage) où les données associées à l'étiquette i ont été classées par le modèle sous l'étiquette j

nettoyage de données: processus d'identification et de correction des erreurs, fautes de frappe, incohérences, données manquantes et autres anomalies au sein d'un jeu de données

exploration de données: processus de découverte de motifs, de tendances et d'informations exploitables à partir de grands jeux de données

Algorithme DBSCAN: algorithme courant de clustering basé sur la densité

arbre de décision: algorithme de classification qui construit une structure hiérarchique où chaque nœud interne représente une décision fondée sur une caractéristique des données, et chaque nœud feuille représente une décision finale, une étiquette ou une prédiction

algorithme de clustering basé sur la densité: algorithme de clustering qui construit des clusters à partir de sous-ensembles relativement denses

profondeur: nombre de niveaux d'un arbre de décision ou, de manière équivalente, longueur de la branche la plus longue de l'arbre

élagage limité par la profondeur: méthode de pré-élagage qui limite la profondeur totale (le nombre de niveaux) d'un arbre de décision

entropie: mesure de la quantité moyenne d'information ou d'incertitude

élagage basé sur l'erreur (à erreur réduite): méthode d'élagage qui supprime les branches n'améliorant pas de façon significative l'exactitude globale de l'arbre de décision

Score F1: combinaison de la précision $(p)$ et du rappel $(r)$ . $F 1 = \frac{2 (p) (r)}{p + r} = \frac{2 T P}{2 T P + F P + F N}$

reconnaissance faciale: application de l'apprentissage automatique consistant à catégoriser ou étiqueter des images de visages en fonction de l'identité des personnes représentées

Bayes naïf gaussien: algorithme de classification particulièrement utile lorsque l'on suppose que les variables suivent des distributions normales

carte thermique: ombrage ou coloration d'un tableau permettant de faire ressortir les contrastes entre les valeurs faibles et les valeurs élevées

gain d'information: comparaison de la variation d'entropie consécutive à l'ajout de nœuds enfants à un nœud parent dans un arbre de décision

théorie de l'information: cadre formel permettant de mesurer et de gérer le caractère unique des données, ou le degré de surprise ou d'incertitude associé à un événement ou à un message

algorithme de clustering des k-moyennes: algorithme de clustering qui localise de manière itérative les centroïdes des clusters

données étiquetées: données associées à des étiquettes de classification

élagage limité par les feuilles: méthode de pré-élagage qui limite le nombre total de nœuds feuilles d'un arbre de décision

vraisemblance: mesure de l'exactitude d'un algorithme de classification, utile pour établir des modèles de régression logistique

régression logistique: méthode de modélisation qui ajuste les données à une fonction logistique (sigmoïde) et effectue généralement une classification binaire

fonction logit: fonction de la forme $ln (\frac{p}{1 - p})$ utilisée pour calculer les log-cotes et transformer les données lors de l'exécution d'une régression logistique

modèle d'apprentissage automatique (ML): tout algorithme qui s'entraîne sur des données pour déterminer ou ajuster les paramètres d'un modèle destiné à la classification, au clustering, à la prise de décision, à la prédiction ou à la reconnaissance de formes

erreur absolue moyenne (MAE): mesure d'erreur : $MAE = \frac{1}{n} \sum_{i = 1}^{n} | y_{i} - {\hat{y}}_{i} |$

erreur absolue moyenne en pourcentage (MAPE): mesure d'erreur relative : $MAPE = \frac{1}{n} \sum_{i = 1}^{n} | \frac{y_{i} - {\hat{y}}_{i}}{y_{i}} |$

erreur quadratique moyenne (MSE): mesure d'erreur : $MSE = \frac{1}{n} \sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}$

élagage par longueur de description minimale (MDL): méthode de post-élagage visant à trouver la forme la moins complexe d'un arbre de décision satisfaisant à un niveau d'exactitude acceptable

classification multiclasse (multinomiale): classification de données dans plus de deux catégories

régression multiple: techniques de régression utilisant plusieurs variables d'entrée

classification naïve bayésienne: également appelée classification naïve bayésienne multinomiale, algorithme de classification utilisant des probabilités a priori et le théorème de Bayes pour prédire la classe ou l'étiquette de nouvelles données

cotes: probabilité qu'un événement $E$ se produise divisée par la probabilité que $E$ ne se produise pas

encodage one-hot: remplacement des valeurs catégorielles ou textuelles d'un jeu de données par des vecteurs contenant un unique 1, tous les autres éléments étant égaux à 0 ; chaque vecteur de catégorie positionne le 1 à un emplacement distinct

surapprentissage: modélisation à l'aide d'une méthode produisant une variance élevée ; le modèle capture une part excessive du bruit et peut ainsi obtenir de très bons résultats sur les données d'entraînement mais de très mauvais résultats sur les données de test

précision: rapport entre les prédictions vraies positives et le nombre total de prédictions positives : $p = \frac{T P}{T P + F P}$

probabilité a priori: estimation d'une probabilité, susceptible d'être mise à jour ou corrigée à l'aide du théorème de Bayes

élagage: réduction de la taille d'un arbre de décision par suppression des branches qui partitionnent les données de manière trop fine

forêt aléatoire: algorithme de classification faisant appel à plusieurs arbres de décision et à l'agrégation bootstrapping

rappel: rapport entre les prédictions vraies positives et le nombre total de cas réellement positifs : $r = \frac{T P}{T P + F N}$

arbre de régression: type d'arbre de décision au sein duquel les décisions reposent sur des comparaisons numériques de données continues

racine de l'erreur quadratique moyenne (RMSE): mesure d'erreur : $RMSE = \sqrt{\frac{1}{n} \sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}$

fonction sigmoïde: fonction utile en régression logistique : $σ (x) = \frac{1}{1 + e^{- x}}$

score de silhouette: mesure du degré de séparation des clusters lors de l'application d'un algorithme de clustering

apprentissage supervisé: méthodes d'apprentissage automatique qui s'entraînent sur des données étiquetées

ensemble de test (ou données de test): partie du jeu de données mise de côté et utilisée après l'entraînement de l'algorithme pour évaluer l'exactitude du modèle

ensemble d'entraînement (ou données d'entraînement): partie du jeu de données employée pour entraîner un algorithme d'apprentissage automatique

sous-apprentissage: modélisation à l'aide d'une méthode produisant un biais élevé ; le modèle ne capture pas les caractéristiques importantes des données

données non étiquetées: données qui n'ont pas fait l'objet d'une classification ou dont les étiquettes de classification ne sont pas encore connues

apprentissage non supervisé: méthodes d'apprentissage automatique ne nécessitant pas de données étiquetées pour apprendre ; fréquemment, l'apprentissage non supervisé constitue une première étape pour identifier des clusters pertinents qui serviront à définir des étiquettes

variance: erreur attribuable à un modèle trop sensible qui réagit à de faibles variations dans les données

apprenants faibles: modèles individuels entraînés sur des parties du jeu de données, puis combinés par une méthode d'agrégation bootstrapping telle que la forêt aléatoire