Apprentissage automatique à partir de données : plus d’exemples, meilleure précision

InformatiqueDonnées, IA et apprentissage automatique16–17 ans

Un classifieur simple apprend à partir d’exemples étiquetés : il calcule le barycentre de chaque classe, puis prend la médiatrice du segment joignant les deux barycentres comme frontière de décision. Les élèves règlent le nombre d’exemples d’entraînement, le taux d’erreurs d’étiquetage et le déséquilibre de la collecte ; le modèle se réentraîne et sa précision est mesurée sur un jeu fixe de 400 exemples de test. Quand les données d’entraînement viennent surtout d’un groupe, la précision globale semble encore bonne, mais celle du groupe sous-représenté chute fortement : c’est le biais des données en action.