Qu’est-ce que l’apprentissage supervisé ?

L'objectif fondamental de l'apprentissage supervisé est que l'algorithme « apprenne » une règle générale ou une fonction de cartographie qui peut prendre de nouvelles entrées invisibles et prédire la sortie correcte pour elles. On parle de « supervisé » parce que le processus d'un algorithme qui apprend à partir de l'ensemble de données d'apprentissage peut être considéré comme un enseignant qui supervise le processus d'apprentissage.

Nous connaissons les bonnes réponses (labels), l'algorithme fait itérativement des prédictions sur les données d'entraînement et est corrigé par l'enseignant. L'apprentissage s'arrête lorsque l'algorithme atteint un niveau de performance acceptable.

Comment fonctionne l’apprentissage supervisé ?

L’apprentissage supervisé peut sembler complexe, mais les méthodes sous-jacentes suivent un processus structuré. Il s'agit d'apprendre à une machine en lui montrant des exemples et en testant ensuite sa compréhension. Voici une description des étapes typiques :

Collecte et préparation des données étiquetées

Le processus commence par la collecte des données pertinentes. Il est essentiel que ces données soient étiquetées pour le machine learning supervisé. Cela signifie que chaque donnée d'entrée est associée à une sortie correcte correspondante ou « tag ». Par exemple, si vous créez un détecteur de spam, vos données seront des e-mails (entrée) étiquetés comme « spam » ou « not spam » (sortie).

La qualité et la quantité de ces données étiquetées sont primordiales dans les méthodes utilisées. Plus le modèle de fonction voit des exemples pertinents et de haute qualité, plus il apprendra et sera performant. Cette étape implique souvent un nettoyage des données (traitement des valeurs manquantes, suppression des erreurs) et un prétraitement (transformation des données dans un format adapté à l’algorithme).

Fractionnement des données en ensembles d'apprentissage, de validation et de test

Une fois que vous avez votre jeu de données étiqueté, il est de pratique courante de ne pas l'utiliser entièrement pour enseigner directement le modèle. Au lieu de cela, il est généralement divisé. Le Training Set constitue la plus grande partie des données et est utilisé pour entraîner le modèle de machine learning. Le modèle « voit » ces exemples et apprend la relation entre les entrées et leurs étiquettes correspondantes.

Un jeu de validation (facultatif mais fortement recommandé) est utilisé pendant le processus d'entraînement pour régler les paramètres du modèle (hyperparamètres) et prendre des décisions concernant son architecture. Il permet d'éviter que le modèle ne devienne trop spécialisé dans les données d'entraînement (problème connu sous le nom de surajustement) en fournissant une évaluation impartiale au fur et à mesure de l'apprentissage.

Enfin, le jeu de tests est utilisé après l'entraînement (et la validation) du modèle pour fournir une évaluation impartiale des performances du modèle final. Ces données n'ont jamais été vues par le modèle auparavant, ce qui donne une bonne indication de la façon dont le modèle fonctionnera sur de nouvelles données réelles.

Choix d'un modèle (sélection d'un algorithme)

En fonction du problème que vous essayez de résoudre (par exemple, prédire une catégorie comme « spam/not spam » - classification, ou prédire une valeur continue comme le prix d'une maison - régression) et de la nature de vos données, vous sélectionnerez un algorithme d'apprentissage supervisé approprié . Il existe de nombreux algorithmes parmi lesquels vous pouvez choisir, comme la régression linéaire, la régression logistique, les arbres de décision, les machines à vecteurs de support (SVM), les réseaux neuronaux, etc.

Entraînement du modèle

C'est là que l'« apprentissage » se produit. L'algorithme choisi traite l'ensemble d'apprentissage. Le modèle effectue des prédictions sur la base des données d'entrée et compare ces prédictions aux étiquettes connues réelles.

En cas de divergence (erreur), l'algorithme ajuste ses paramètres internes pour faire de meilleures prédictions la prochaine fois. Pour ce faire, on tente souvent de minimiser une « fonction de perte », qui quantifie la distance entre les prévisions du modèle et les valeurs réelles.

Ce processus d'ajustement itératif se poursuit jusqu'à ce que le modèle atteigne un niveau de précision satisfaisant sur les données d'entraînement (et fonctionne bien sur les données de validation).

Évaluation du modèle

Une fois l'entraînement terminé, les performances du modèle sont évaluées à l'aide du jeu de test. Les indicateurs communs utilisés pour l'évaluation dépendent du type de problème.

Pour la classification, les mesures telles que la précision, la précision, le rappel et le score F1 sont courantes. Pour la régression, on utilise souvent l'erreur quadratique moyenne (ESM) ou la valeur du coefficient de détermination. Cette étape est cruciale pour comprendre dans quelle mesure le modèle est susceptible de se généraliser à de nouvelles données invisibles.

Si les performances du modèle sont satisfaisantes, il peut être déployé pour faire des prédictions sur de nouvelles données actives. Par exemple, notre filtre anti-spam commencerait maintenant à classer les e-mails entrants qu'il n'a jamais vus auparavant. Il est également important de surveiller en permanence les performances du modèle dans le monde réel, car les modèles de données peuvent changer au fil du temps (un concept connu sous le nom de « dérive du modèle »), ce qui peut nécessiter un réentraînement ou des ajustements du modèle.

En substance, l'apprentissage supervisé est un processus itératif consistant à fournir des exemples étiquetés à un algorithme, lui permettant d'apprendre des modèles, puis de tester sa capacité à généraliser ces modèles à de nouvelles données.

Exemples de cas d’usage du machine learning supervisé

L'apprentissage supervisé n'est pas seulement un concept théorique ou une prédiction; c'est le moteur d'une vaste gamme d'applications qui ont un impact sur notre vie quotidienne et sur diverses industries. Sa capacité à apprendre à partir d'exemples étiquetés en fait un outil inestimable pour les tâches nécessitant une prédiction et une classification. Voici quelques cas d’usage marquants :

• Reconnaissance d’images et d’objets : C'est une application classique de la classification. Les modèles d'apprentissage supervisé sont entraînés sur des ensembles massifs d'images, où chaque image est étiquetée avec les objets qu'elle contient (par exemple, « chat », « voiture », « piéton », « arbre »).
   
• Détection des spams : L'un des usages les plus anciens et les plus répandus de l'apprentissage supervisé (en particulier la classification) est le filtrage des e-mails de spam. Les modèles s'entraînent sur un vaste corpus d'e-mails labellisés manuellement « spam » ou « not spam » (souvent appelés « ham »).
   
• Diagnostic médical et soins de santé : L'apprentissage supervisé joue un rôle de plus en plus important dans les soins de santé en aidant les professionnels de la santé à diagnostiquer les maladies. Les modèles peuvent être entraînés à partir de données patient (symptômes, antécédents médicaux, résultats de laboratoire et images médicales) étiquetées avec des diagnostics confirmés.
   
• Analyse des sentiments : Les entreprises et les organisations dépendent fortement de la compréhension de l'opinion publique et de la rétroaction des clients. Les modèles d'apprentissage supervisé (classification) sont formés à partir de données textuelles (comme les revues de produits, les publications sur les médias sociaux ou les réponses aux sondages) qui ont été étiquetées avec des sentiments tels que « positif », « négatif » ou « neutre ».
   
• Détection des fraudes financières : Dans le secteur financier, l’apprentissage supervisé est essentiel pour détecter et prévenir les transactions frauduleuses. Les modèles sont entraînés sur des données de transaction historiques, où chaque transaction est étiquetée comme « frauduleuse » ou « légitime ».
   
• Prédire les prix de l’immobilier et les valeurs boursières (régression) : Les modèles de régression dans le machine learning supervisé sont largement utilisés dans la finance et l’immobilier. Pour prédire les prix des logements, les modèles sont entraînés sur la base de données provenant de ventes immobilières passées, y compris des caractéristiques telles que la taille, le nombre de chambres, l'emplacement, l'âge et les commodités, ainsi que leurs prix de vente correspondants.

La liste d'exemples ci-dessus ne représente qu'une fraction de la façon dont l'apprentissage supervisé est appliqué. Au fur et à mesure que les données deviennent plus abondantes et que la puissance de calcul augmente, la portée et la sophistication de ses cas d’utilisation ne feront que s’étendre.