Cuestionario: Introduction aux données et validation en ML — 20 preguntas

1. Que représente l’espace de données d’apprentissage dans un problème supervisé ?

A. Le résultat final obtenu après l’évaluation sur le jeu de test

B. Un tableau de paramètres déjà optimisés du modèle

C. L’ensemble des informations utilisées pour entraîner un modèle, avec les entrées et les sorties attendues

D. Uniquement les valeurs de sortie à prédire, sans variables d’entrée

Answer: (C)

Explicación

L’espace de données d’apprentissage regroupe toutes les informations nécessaires à l’entraînement, notamment les entrées et les sorties attendues. Les autres propositions confondent données, modèle et phase d’évaluation.

2. Dans une représentation matricielle des données, que désigne généralement X ?

A. Le vecteur des labels de sortie, de taille identique à celle des classes

B. La liste des erreurs commises par le modèle pendant l’entraînement

C. Le tableau des scores obtenus sur le jeu de validation

D. La matrice des features d’entrée, de taille nombre d’exemples par nombre de variables

Answer: (D)

Explicación

X correspond aux features d’entrée organisées en matrice, avec une ligne par exemple et une colonne par variable. Le vecteur des labels est noté y, pas X.

3. Dans un dataset supervisé, quelle structure décrit le mieux un exemple d’apprentissage ?

A. Une observation associée à des features X et à une sortie y

B. Un ensemble de règles d’optimisation pour ajuster les paramètres

C. Une suite de poids du modèle sans variable d’entrée

D. Une métrique de performance calculée après entraînement

Answer: (A)

Explicación

Un dataset supervisé contient des exemples décrits par des features et associés à une sortie cible y. Les autres choix décrivent le modèle ou son évaluation, pas un exemple de données.

4. Quelle situation correspond à une feature catégorielle ordinale ?

A. Une variable réelle comme la température ou le prix

B. Une variable comme ville ou couleur sans ordre naturel

C. Une variable binaire codée directement en 0 et 1

D. Une variable comme Petit, Moyen, Grand où les catégories ont un ordre

Answer: (D)

Explicación

Une feature ordinale possède des catégories ordonnées, ce qui justifie un encodage respectant cet ordre. Ville ou couleur sont des exemples de variables nominales sans ordre.

5. Pourquoi une variable cible discrète oriente-t-elle vers un problème de classification ?

A. Parce qu’elle prend un nombre fini de classes distinctes

B. Parce qu’elle ne peut pas être représentée numériquement

C. Parce qu’elle impose une régression linéaire

D. Parce qu’elle est toujours continue et mesurée sur un intervalle

Answer: (A)

Explicación

Une cible discrète correspond à un ensemble fini de classes, ce qui définit un problème de classification. Une cible continue, au contraire, conduit plutôt à une régression.

6. Quel traitement est adapté à des données manquantes lorsque leur nombre est faible ?

A. Les remplacer par des valeurs aléatoires pour chaque ligne

B. Les convertir automatiquement en variables catégorielles

C. Les laisser telles quelles sans préparation

D. Les supprimer ou les imputer avec une valeur estimée

Answer: (D)

Explicación

Les données manquantes peuvent être supprimées si elles sont rares ou imputées à l’aide d’une estimation comme la moyenne ou la médiane. Les laisser en l’état perturbe l’apprentissage.

7. Quel est l’objectif principal de la normalisation des variables ?

A. Supprimer toutes les valeurs extrêmes

B. Mettre les variables sur une échelle comparable pour éviter qu’une domine

C. Réduire obligatoirement le nombre de classes

D. Transformer une cible discrète en cible continue

Answer: (B)

Explicación

La normalisation sert à rendre les variables comparables afin qu’une feature à grandes valeurs ne domine pas les autres. Elle ne change pas la nature de la cible ni ne supprime automatiquement les outliers.

8. Quelle transformation correspond au Z-Score Standardization ?

A. Une transformation qui centre les données autour de 0 avec une dispersion de référence

B. Une transformation qui ramène les valeurs strictement dans l’intervalle [0,1]

C. Une transformation qui supprime les doublons du jeu de données

D. Une transformation qui remplace les catégories par des entiers ordonnés

Answer: (A)

Explicación

Le Z-score standardise les données en utilisant la moyenne et l’écart-type pour obtenir des valeurs centrées et comparables. L’intervalle [0,1] correspond plutôt au Min-Max Scaling.

9. Qu’est-ce que le binning sémantique ?

A. Une discrétisation fondée sur des intervalles ayant un sens métier

B. Une méthode qui conserve les valeurs brutes sans découpage

C. Un encodage des catégories sous forme de texte UTF-8

D. Une normalisation qui centre les variables autour de 0

Answer: (A)

Explicación

Le binning sémantique regroupe les valeurs en intervalles choisis selon une logique métier ou de catégories. Ce n’est pas une normalisation ni un encodage de texte.

10. Pourquoi faut-il éviter d’évaluer un modèle sur les données d’entraînement ?

A. Parce qu’on mesurerait surtout la mémorisation plutôt que la généralisation

B. Parce que cela améliore artificiellement la variance du test

C. Parce que le modèle ne peut pas faire de prédictions sur ces données

D. Parce que le jeu d’entraînement ne contient jamais de labels

Answer: (A)

Explicación

Évaluer sur les données d’entraînement donne une mesure trop optimiste, car le modèle a déjà vu ces exemples. On veut au contraire mesurer sa capacité à généraliser sur des données nouvelles.

11. Quel est le but du feature engineering ?

A. Transformer ou créer des variables pour les rendre plus exploitables par le modèle

B. Supprimer toute variable catégorielle du problème

C. Remplacer le jeu de test par le jeu d’entraînement

D. Calculer uniquement la précision d’un classifieur

Answer: (A)

Explicación

Le feature engineering consiste à améliorer les variables par des transformations, créations ou sélections pour faciliter l’apprentissage. Il ne s’agit pas d’une métrique ni d’une simple suppression des catégories.

12. Quand l’early stopping doit-il arrêter l’entraînement ?

A. Quand le nombre de features est plus grand que le nombre d’exemples

B. Quand l’erreur sur validation cesse de diminuer et commence à augmenter

C. Quand le jeu de test a déjà été utilisé une fois

D. Quand l’erreur d’entraînement atteint exactement zéro

Answer: (B)

Explicación

L’early stopping interrompt l’apprentissage dès que la performance sur validation se dégrade, ce qui signale un début de sur-apprentissage. Ce n’est pas lié au jeu de test ni à une erreur d’entraînement nulle.

13. Quelle phase consiste à ajuster progressivement les paramètres du modèle à partir de l’erreur mesurée ?

A. Le calcul du score final sur test

B. La séparation stratifiée

C. La discrétisation des variables

D. L’entraînement itératif

Answer: (D)

Explicación

L’entraînement itératif met à jour les paramètres en fonction de l’erreur observée jusqu’à convergence. Les autres propositions concernent la validation ou la préparation des données.

14. À quoi sert principalement la comparaison entre erreur train et erreur test ?

A. À calculer directement la matrice de confusion

B. À diagnostiquer un sur-apprentissage ou une bonne généralisation

C. À remplacer la phase de validation

D. À déterminer le type d’encodage des variables catégorielles

Answer: (B)

Explicación

Comparer les erreurs train et test permet d’évaluer si le modèle généralise bien ou s’il sur-apprend. Un écart important entre les deux signale souvent un sur-apprentissage.

15. Quelle affirmation décrit correctement le Hold-Out ?

A. Une méthode où chaque exemple sert exactement une fois de test

B. Une moyenne de scores obtenus sur autant d’itérations que d’exemples

C. Une séparation unique du dataset en entraînement et test

D. Une stratégie qui conserve les proportions de classes dans chaque fold

Answer: (C)

Explicación

Le Hold-Out repose sur une seule division des données en jeu d’entraînement et jeu de test. La validation stratifiée et le leave-one-out décrivent d’autres stratégies.

16. Pourquoi la validation stratifiée est-elle utile ?

A. Pour conserver les proportions de classes dans chaque fold ou split

B. Pour éviter tout besoin de jeu de test

C. Pour transformer un problème de classification en régression

D. Pour augmenter artificiellement le nombre d’exemples d’entraînement

Answer: (A)

Explicación

La validation stratifiée répartit les classes de façon équilibrée dans les sous-ensembles, ce qui limite les splits déséquilibrés. Elle est particulièrement utile quand les classes sont inégales.

17. Quelle métrique pénalise davantage les grosses erreurs en raison de l’élévation au carré ?

A. La MAE

B. L’accuracy

C. Le rappel

D. La MSE

Answer: (D)

Explicación

La MSE élève les erreurs au carré avant de les moyenner, ce qui amplifie l’effet des grandes erreurs. La MAE reste moins sensible aux valeurs extrêmes car elle utilise la valeur absolue.

18. Que signifie une valeur de R² égale à 0 ?

A. Le modèle ne peut pas être évalué

B. Le modèle prédit parfaitement toutes les valeurs

C. Le modèle fait aussi bien qu’une prédiction par la moyenne

D. Le modèle explique 100 % de la variance

Answer: (C)

Explicación

Un R² nul signifie que le modèle ne fait pas mieux qu’un baseline basé sur la moyenne. Une valeur de 1 correspond à des prédictions parfaites.

19. Dans une matrice de confusion, que représente un faux positif ?

A. Une prédiction négative alors que la réalité est positive

B. Une prédiction positive alors que la réalité est négative

C. Une prédiction positive correcte

D. Une prédiction négative correcte

Answer: (B)

Explicación

Un faux positif correspond à une alerte inutile : le modèle prédit positif alors que la classe réelle est négative. À l’inverse, un faux négatif manque un cas positif.

20. Que mesure la précision dans un problème de classification ?

A. La proportion de vrais positifs détectés parmi tous les positifs réels

B. La proportion de prédictions positives qui sont réellement positives

C. Le nombre total de prédictions négatives dans le jeu de test

D. La proportion totale de bonnes prédictions sur l’ensemble des classes

Answer: (B)

Explicación

La précision répond à la question : parmi les prédictions positives, combien sont correctes ? Le rappel mesure plutôt la proportion de vrais positifs retrouvés parmi tous les positifs réels.