A.4 · Apprentissage automatique

Focus HL soutenu. Première évaluation 2027 cible ; retours PDF officiels 403 ; le bref acquis plus ancien est l'évaluation finale 2026. Le guide restant, l'évaluation et les exigences pratiques conservent leurs retenues enregistrées.

Prérequis : lisez les quantités et unités indiquées, utilisez l'arithmétique et les conditions du modèle ci-dessous. Chaque leçon développe sa propre méthode avant un transfert autonome.

Ce sont des exemples pédagogiques originaux ou explicitement fictifs, pas des mesures réelles ni des enquêtes évaluées achevées par des apprenants.

Qu'est-ce qui expliquerait cette observation ?

• Un modèle peut obtenir un bon score en apprenant un raccourci dans les données d'entraînement. L'évaluation doit tester la tâche visée sur des exemples inconnus appropriés.
• Commencez par une prédiction. Énoncez les quantités ou caractéristiques que vous compareriez, puis décidez quels éléments de preuve pourraient distinguer deux explications.

Construire le modèle

• Une base de données relationnelle utilise des tables, des clés et des relations pour organiser les données. L'apprentissage automatique estime des modèles à partir de données. Les données d'entraînement et d'évaluation jouent des rôles différents.
• clé primaire : Ensemble d'attributs identifiant de manière unique un enregistrement ; fuite de données : Utilisation d'informations non disponibles au moment de la prédiction prévu.

Choisir des preuves capables de le tester

• Une clé primaire identifie de manière unique un enregistrement ; une clé étrangère relie des enregistrements. Dans une prédiction, une fuite peut exposer des informations indisponibles au moment réel de la décision. La précision seule peut masquer une distribution cible déséquilibrée.
• Utilisez des enregistrements de réservation fictifs pour identifier les entités, attributs et relations. Pour un exercice d'apprentissage, utilisez un jeu de données public non sensible, séparez les données d'entraînement et de test, et décrivez qui pourrait être affecté par les erreurs. La portée actuelle de l'objectif CS 2027 attend le guide acquis.

Travailler à partir de quantités connues

• Énoncez les valeurs connues et leurs unités. Choisissez la relation dont les hypothèses s'adaptent à ce cas, puis réarrangez-la avant de substituer les valeurs.
• Connue : un classificateur effectue 90 prédictions correctes parmi 100 cas. Précision = correct/total×100 = 90%. Si 90 cas appartiennent à une seule classe, prédire toujours cette classe donne la même précision et peut tout de même échouer sur tous les cas de la classe minoritaire.

Exemple :

Un modèle effectue 72 prédictions correctes sur 80. Trouver le pourcentage de précision. Utiliser la même séquence : quantités connues → modèle → relation → substitution → unité et interprétation.

Vérifier la conclusion et ses limites

• Une haute précision n'est pas une preuve d'équité ou de compréhension causale. Une clé primaire de base de données n'est pas simplement le champ qui semble important.
• Revenez à l'observation initiale. Expliquez ce que le résultat soutient, quelles conditions il suppose, et une manière de tester une explication concurrente.

Avertissement :

Un classificateur avec une précision de 90% doit traiter toutes les classes également bien. Cette affirmation est fausse : Une haute précision n'est pas la preuve d'une équité ou d'une compréhension causale. Une clé primaire de base de données n'est pas simplement le champ qui semble important.

Clé :

Modèles de données et apprentissage automatique responsable : Une clé primaire identifie de manière unique un enregistrement ; une clé étrangère relie des enregistrements. Dans la prédiction, une fuite peut exposer des informations non disponibles lors de la prise de décision réelle. La précision seule peut masquer une distribution cible déséquilibrée.

Trace exécutable et limite

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

Sortie attendue :

0.89 0.8
UNDEFINED

La précision divise les prédictions correctes par l'ensemble des cas ; le rappel positif divise les vrais positifs par les positifs réels. Sans cas positifs, le rappel est indéfini plutôt que zéro. Le jeu de données est fictif, sans modèle entraîné ni données personnelles.