AI-900 · Machine Learning
Machine Learning : 12 questions AI-900 corrigées
« Machine Learning » est l'un des 5 domaines évalués à l'examen Microsoft AI-900. Voici 12 questions de ce domaine, chacune avec sa bonne réponse et son explication.
1. Dans un jeu de données, comment appelle-t-on les variables d'entrée utilisées pour faire une prédiction ?
Réponse : Les caractéristiques (features)
Les caractéristiques (features) sont les attributs d'entrée du modèle ; l'étiquette est la valeur cible.
2. À quoi sert le jeu de données d'entraînement (training dataset) ?
Réponse : À ajuster les paramètres du modèle pendant l'apprentissage
Le jeu d'entraînement sert à apprendre les paramètres du modèle ; un autre jeu valide ses performances.
3. Pourquoi utilise-t-on un jeu de validation/test distinct de celui d'entraînement ?
Réponse : Pour évaluer le modèle sur des données qu'il n'a pas vues
Le jeu de validation/test n'est pas présenté pendant l'entraînement, ce qui permet d'estimer la performance sur des données nouvelles.
4. Quel phénomène décrit un modèle qui mémorise trop les données d'entraînement et généralise mal aux nouvelles données ?
Réponse : Le surapprentissage (overfitting)
Le surapprentissage (overfitting) survient quand le modèle colle trop aux données d'entraînement et perd en généralisation.
5. Quel service Azure permet d'entraîner et de comparer automatiquement de nombreux algorithmes pour trouver le meilleur modèle ?
Réponse : Automated machine learning (AutoML)
AutoML d'Azure Machine Learning itère sur de nombreux algorithmes et hyperparamètres pour sélectionner le meilleur modèle selon une métrique cible.
6. Quelle métrique de régression mesure l'écart absolu moyen entre les valeurs prédites et les valeurs réelles ?
Réponse : L'erreur absolue moyenne (MAE)
Le MAE (Mean Absolute Error) mesure la proximité moyenne des prédictions avec les valeurs réelles ; plus il est faible, mieux c'est.
7. Quelle métrique de régression vaut idéalement 1 et représente la proportion de variance expliquée par le modèle ?
Réponse : Le coefficient de détermination (R²)
Le R² (coefficient de détermination) mesure la part de variance expliquée ; plus il est proche de 1, meilleur est le modèle.
8. En classification, quelle métrique correspond à la proportion de prédictions correctes sur l'ensemble des cas ?
Réponse : L'exactitude (accuracy)
L'exactitude (accuracy) est le rapport entre les prédictions correctes et le nombre total de cas.
9. Quel outil tabulaire compare les prédictions d'un modèle de classification aux valeurs réelles (vrais/faux positifs et négatifs) ?
Réponse : La matrice de confusion
La matrice de confusion croise valeurs réelles et prédites pour montrer vrais positifs, faux positifs, vrais négatifs et faux négatifs.
10. Quelle métrique correspond à la formule Vrais positifs / (Vrais positifs + Faux positifs) ?
Réponse : La précision (precision)
La précision est la proportion de résultats vraiment positifs parmi tous les résultats prédits positifs : TP/(TP+FP).
11. Quelle métrique correspond à la formule Vrais positifs / (Vrais positifs + Faux négatifs) ?
Réponse : Le rappel (recall)
Le rappel (recall) est la fraction des cas positifs réels que le modèle a correctement identifiés : TP/(TP+FN).
12. Que mesure l'AUC (aire sous la courbe ROC) pour un modèle de classification ?
Réponse : La qualité globale des prédictions, indépendamment du seuil de classification
L'AUC fournit un nombre unique évaluant la qualité du modèle indépendamment du seuil choisi ; plus proche de 1, meilleur est le modèle.