Apprentissage automatique : exercices corrigés de Seconde

On identifie les données : $N = 40$ photos testées et $B = 34$ photos bien classées.

On écrit le taux de réussite : $\dfrac{B}{N} = \dfrac{34}{40}$.

On simplifie : $\dfrac{34}{40} = \dfrac{17}{20} = 0{,}85$.

On convertit en pourcentage : $0{,}85 \times 100 = 85$.

On calcule la part du test : $250 \times \dfrac{20}{100} = 50$ images.

On retranche cette part du total : $250 - 50 = 200$ images.

On vérifie : $200 + 50 = 250$, ce qui redonne bien le total.

On calcule la proportion d'erreurs : $100\,\% - 92\,\% = 8\,\%$.

On applique cette proportion au total : $500 \times \dfrac{8}{100} = 40$.

On contrôle par l'autre chemin : $500 \times \dfrac{92}{100} = 460$ réussites, et $500 - 460 = 40$.

On calcule la part d'étiquettes fausses : $1\,200 \times \dfrac{5}{100} = 60$ images.

On en déduit le nombre d'images bien étiquetées : $1\,200 - 60 = 1\,140$.

On interprète : le modèle apprend à partir des exemples qu'on lui donne. Une étiquette fausse lui présente une réponse erronée comme si elle était exacte.

Ces erreurs peuvent donc être reproduites ensuite dans ses prédictions. C'est pourquoi des données bien étiquetées sont une exigence de base.¹

Le modèle répond « plastique » à chaque photo : il a donc raison pour les $900$ photos de plastique.

Il a tort pour les $100$ photos de verre, qu'il classe toujours en « plastique ».

On calcule le taux de réussite : $\dfrac{900}{1\,000} = 0{,}9$, soit $90\,\%$.

On interprète : malgré $90\,\%$, le modèle ne reconnaît aucune photo de verre. Le chiffre est élevé parce que le jeu de données est très déséquilibré, pas parce que le modèle sait distinguer les deux matières.

On rapproche cela de la question des biais : un jeu de données mal équilibré peut fausser le comportement d'un modèle ; quand ces données concernent des personnes, cela peut aller jusqu'à des discriminations.¹

On additionne les trois durées : $45 + 72 + 90 = 207$.

On divise par le nombre d'essais : $\dfrac{207}{3} = 69$.

On compare les essais : $45 < 72 < 90$. La durée de maintien augmente d'un essai à l'autre.

On conclut : le modèle semble s'améliorer, puisqu'il garde la tige debout plus longtemps après chaque essai. Trois essais restent peu : pour être sûr, il faudrait en observer beaucoup plus.