Introduction à l'apprentissage superviséRicco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1
Ricco Rakotomalala
Université Lumière Lyon 2http://tutoriels-data-mining.blogspot.fr/Ricco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 2
Tableau de données
Success Wages Job Refunding
Y 0 Unemployed Slow
N 2000 Skilled Worker Slow
N 1400 Worker Slow
N 1573 Retired Slow
Y 2776 Skilled Worker Slow
N 2439 Retired Fast
N 862 Office employee Slow
Y …afficher plus de contenu…

les bornes de discrétisation)
 En apprentissage  pouvoir tester plusieurs pistes (ajout de variables, test de combinaison de variables, modifications de paramètres, etc.)
 En classement, affecter une étiquette à un nouvel individu
 Facilité de mise à jour du modèle (cf. la notion d’incrémentalité)
 Évaluer la précision (qualité) du modèle lors de son utilisation futurehttp://tutoriels-data-mining.blogspot.fr/Ricco …afficher plus de contenu…

Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 10
Évaluation de l’apprentissage – Matrice de confusion
Principe : confronter la valeur observée avec la prédiction
+ - Total
+ a b a+b
- c d c+d
Total a+c b+d n
Prédite
O b s e rv é e
Quelques indicateurs :
• Vrais positifs VP = a
• Faux positifs FP = c
• Taux d’erreur = (c+b)/n
• Sensibilité = Rappel = Taux de VP = a/(a+b)
• Précision = a/(a+c)
• Taux de FP = c/(c+d)
• Spécificité = d/(c+d) = 1 – Taux de FPhttp://tutoriels-data-mining.blogspot.fr/Ricco Rakotomalala
Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 11
Évaluation – Les coûts de mauvaise affectation
+ - Total
+ 40 10 50
- 20 30 50
Total 60 40 100
Prédite
O b s e rv é e
Comparaison de deux méthodes d’apprentissage
+ -