QCM : Classification Supervisée

1 Introduction

Ce questionnaire évalue votre compréhension des modèles de classification et des métriques d’évaluation spécifiques à ces tâches. Pour chaque question, cochez la case correspondant à la réponse la plus correcte.

2 Questions

Question 1

Dans une matrice de confusion pour un test de dépistage médical, qu’est-ce qu’un “Faux Négatif” (False Negative) représente ?

1. Un patient sain diagnostiqué à tort comme étant malade.
2. Un patient malade diagnostiqué correctement comme étant malade.
3. Un patient malade diagnostiqué à tort comme étant sain.
4. Un patient sain diagnostiqué correctement comme étant sain.

Question 2

Si votre objectif est de détecter un maximum de transactions frauduleuses, même si cela implique d’enquêter sur quelques transactions légitimes, quelle métrique devez-vous chercher à maximiser en priorité ?

1. La Précision (Precision).
2. Le Rappel (Recall / Sensitivity).
3. La Spécificité (Specificity).
4. L’Exactitude (Accuracy).

Question 3

Pourquoi le Score F1 est-il souvent une meilleure métrique que l’Exactitude (Accuracy) pour des jeux de données déséquilibrés ?

1. Parce qu’il est plus simple à calculer.
2. Parce qu’il ignore complètement la classe majoritaire.
3. Parce qu’il est une moyenne harmonique de la Précision et du Rappel, offrant un meilleur équilibre entre les deux.
4. Parce qu’il est toujours plus élevé que l’Exactitude.

Question 4

Quelle est la fonction de la courbe ROC dans l’évaluation d’un classifieur binaire ?

1. Elle montre l’évolution de l’erreur du modèle au fil du temps.
2. Elle visualise le compromis entre le taux de Vrais Positifs et le taux de Faux Positifs pour différents seuils de décision.
3. Elle représente la distribution des probabilités prédites par le modèle.
4. Elle mesure la vitesse d’entraînement du modèle.

Question 5

Quel est le rôle principal de la fonction sigmoïde dans la régression logistique ?

1. Rendre le modèle plus rapide en simplifiant les calculs.
2. Standardiser les variables d’entrée avant l’entraînement.
3. Transformer la sortie linéaire du modèle en une probabilité comprise entre 0 et 1.
4. Calculer le R² du modèle.

Question 6

Quelle est l’hypothèse “naïve” qui donne son nom au classifieur Naïf Bayésien ?

1. Que toutes les données suivent une loi normale.
2. Que les variables explicatives sont conditionnellement indépendantes les unes des autres, étant donné la classe.
3. Que le jeu de données ne contient pas de valeurs manquantes.
4. Qu’il n’y a que deux classes possibles dans le problème.

Question 7

Quel est l’objectif fondamental d’un classifieur à Vecteurs de Support (SVM) à marge dure ?

1. Trouver l’hyperplan qui passe par le plus de points de données possible.
2. Trouver l’hyperplan qui minimise le nombre de points dans la marge.
3. Trouver l’hyperplan qui maximise la distance (la marge) entre les classes.
4. Créer une frontière de décision en forme d’arbre.

Question 8

Dans les SVM, à quoi sert principalement l’“astuce du noyau” (kernel trick) ?

1. À accélérer l’entraînement du modèle linéaire.
2. À permettre au SVM de trouver des frontières de décision non-linéaires en projetant implicitement les données dans un espace de plus grande dimension.
3. À gérer les valeurs manquantes dans les données.
4. À sélectionner automatiquement les variables les plus importantes.

Question 9

Quelle est la différence fondamentale entre le Bagging (ex: Forêt Aléatoire) et le Boosting (ex: Gradient Boosting) ?

1. Le Bagging ne fonctionne qu’avec des arbres de décision, le Boosting avec n’importe quel modèle.
2. Le Bagging est utilisé pour la régression, le Boosting pour la classification.
3. Le Bagging entraîne les modèles en parallèle sur des sous-ensembles de données, tandis que le Boosting les entraîne séquentiellement, chaque modèle corrigeant les erreurs du précédent.
4. Le Bagging est plus performant mais plus lent que le Boosting.

Question 10

Un score AUC (Area Under the ROC Curve) de 0.5 signifie que le modèle…

1. … est un classifieur parfait.
2. … a une exactitude de 50%.
3. … n’est pas meilleur qu’un tirage au sort aléatoire pour discriminer les classes.
4. … a une précision de 50% et un rappel de 50%.