QCM - Apprentissage supervisé

QCM - Apprentissage supervisé

Question 1. L'apprentissage supervisé consiste à :

Entraîner un modèle avec des données non étiquetéesEntraîner un modèle avec des données d'entraînement et leurs étiquettes connuesLaisser le modèle apprendre sans donnéesUtiliser uniquement des données de test

Question 2. La différence entre classification et régression est :

La classification utilise plus de donnéesLa classification prédit une classe (ensemble fini), la régression prédit une valeur continueLa régression est toujours plus préciseIl n'y a pas de différence

Question 3. L'algorithme des $k$ plus proches voisins (KNN) prédit la classe d'une donnée $x$ en :

Calculant la moyenne des $k$ données les plus prochesTrouvant la classe majoritaire parmi les $k$ données d'entraînement les plus proches de $x$Comparant $x$ à une seule donnée d'entraînementUtilisant un réseau de neurones

Question 4. La complexité de KNN pour prédire la classe d'une donnée, avec $n$ données d'entraînement de dimension $p$, est :

$O(1)$$O(n)$$O(np)$$O(n^2)$

Question 5. Le surapprentissage (overfitting) se produit quand :

Le modèle généralise très bien sur de nouvelles donnéesLe modèle approxime trop bien les données d'entraînement et généralise malLe modèle n'apprend rienLes données d'entraînement sont insuffisantes

Question 6. Standardiser les données consiste à :

Supprimer les valeurs extrêmesTransformer les données pour avoir une moyenne de $0$ et un écart-type de $1$Trier les données par ordre croissantDupliquer les données

Question 7. La distance euclidienne entre deux vecteurs $x$ et $y$ de $\mathbb{R}^p$ est :

$\sum |x_i - y_i|$$\sqrt{\sum(x_i - y_i)^2}$$\max|x_i - y_i|$$\sum x_i y_i$

Question 8. Pourquoi sépare-t-on les données en ensemble d'entraînement et ensemble de test ?

Pour avoir plus de donnéesPour évaluer la capacité du modèle à généraliser sur des données non vuesPour accélérer l'entraînementC'est une convention sans utilité

Question 9. La précision d'un classificateur est :

Le nombre de données mal classéesLa proportion de données de test correctement classéesLe temps d'exécution de l'algorithmeLe nombre de classes

Question 10. La matrice de confusion permet de :

Visualiser les erreurs de classification par classeCalculer la distance entre deux donnéesStandardiser les donnéesTrouver les k plus proches voisins