Data Mining

Dr. Ilham KADI 2023/2024

Kadi.ilham@gmail.com
Plan
Introduction aux techniques DM

Les données

Processus Data mining

Prétraitement des données

2
Exemple introductif : demande de crédit bancaire

▪ divorcé
▪ 5 enfants à charge
▪ chômeur en fin de
droit
▪ compte à découvert 3
Expérience de l’entreprise : ses clients et leur
comportement

▪ Coûteuse en stockage
▪ Inexploitée

Comment et à quelles fins utiliser cette expérience

accumulée 4
KDD: Knowledge Discovery in Databases

KDD (Extraction de Connaissances à partir des

Données) est un processus (semi)- automatique
d’extraction de connaissances à partir de bases de
données où les connaissances sont :
 valides
 non connues a priori
 potentiellement utiles
5
KDD: Knowledge Discovery in Databases 6
Motivation (1): Explosion des données
▪ Masse importante de données (millions de milliards
d’instances) : elle double tous les 20 mois, BD très larges.
▪ Données multi-dimensionnelles (milliers d’attributs) :BD
denses non exploitables par les méthodes d’analyse
classiques
▪ Collecte de masses importantes de données
(Gbytes/heure)
▪ Besoin de traitement en temps réel de ces données 7
Motivation (2): Améliorer la productivité

▪ Forte pression due à la concurrence du marché

▪ Brièveté du cycle de vie des produits
▪ Besoin de prendre des décisions stratégiques efficaces
▫ Exploiter le vécu (données historiques) pour prédire le
futur et anticiper le marché

8
Motivation (3): Croissance en coût

▪ Croissance en puissance/coût des machines capables

▫ de supporter de gros volumes de données
▫ d’exécuter le processus intensif d’exploration

9
Motivation (4): Supports hétérogènes

10
Data Mining: Définition

Un processus permettant l’extraction de

connaissances et découverte de règle,
relations, corrélations et/ou dépendances
sous la forme de modèles à partir de grandes
masses de données
11
Définition

Ces modèles peuvent être de nature

▪ Descriptive : permettant d’expliquer le comportement
actuel des données
▪ Prédictive : comportement futur des données.

12
Data Science: vocabulaire
▶ Reconnaissance des formes ▶ Fouille de données (data
(pattern recognition) mining)
▶ Apprentissage automatique ▶ Statistique
(machine learning)
▶ ….
▶ Intelligence artificielle

Domaines différents avec des intersections plus ou

moins grandes 13
La rencontre de plusieurs disciplines
▪ Règles d’associations ▪ Régression
▪ … ▪ Maximum de
Informatique de
base de Statistique vraisemblance
données

Data
Mining

▪ Analyse discriminante Apprentissage

IA
▪ Apprentissage
Pattern
▪ Réseau de neurone recognition
▪ …
14
Data Mining vs Big data
Big data Data mining
Volume vs relation se concentre sur un très travaille sur la relation
grand volume de données non entre les données
structurées
Concept vs technique un concept (voir un une méthode scientifique
environnement) d’extraction
Typologie de données travaille sur des données des données structurées
complexes et non structurées
Décision vs prédiction analyse de macro- un outil d’aide à la décision
statistiques qui vont précis sur une question
permettre d’établir des
prédictions basées sur un 15
grand volume de données
Data Mining vs BI
BI Data mining
Volume Utilisation de grands ensembles Utiliser des ensembles de
de données pour trouver des données de plus petite taille
informations
Style Utilise le suivi des métriques Utilise l'intelligence de calcul et
pour obtenir des informations, des algorithmes pour découvrir
des modèles utiles
Résultat Fournit des informations qui Donne des réponses à des
peuvent aider à la prise de questions particulières.
décision

16
DM: Exemple

Problématique
▶ Un éditeur vend 5 sortes de
magazines : sport, voiture,
maison, musique, cinéma.
▶ Il veut étudier ses clients pour
découvrir de nouveaux marchés
ou vendre plus à ses clients
habituels.
17
Quelques questions

1. Combien de personnes ont pris un abonnement à un magazine de cinéma

cette année ?
2. A-t-on vendu plus d’abonnement de magazines de sport cette année que
l’année dernière ?
3. Est-ce que les acheteurs de magazines de musique sont aussi amateurs
de cinéma ?
4. Quelles sont les caractéristiques principales des lecteurs de magazine de
cinéma ?
5. Peut-on prévoir les pertes de client et prévoir des mesures pour les
18
diminuer ?
Question Solution

Requête SQL à partir des données opérationnelles suffit si

Q1
les tables concernées ont été suffisamment indexées.

Nécessite de garder toutes les dates de souscription, même

Q2 pour les abonnements résiliés: Requêtes
multidimensionnelles de type OLAP.

Exemple simplifié de problème où l’on demande si les

données vérifient une règle.
Q3 Réponse formulée par une valeur estimant la probabilité que
la règle soit vraie.
Utilisation d’outils statistiques.
19
Question Solution

Question plus ouverte, il s’agit de trouver une règle et non

Q4
plus de la vérifier ou de l’utiliser

Question ouverte : il faut disposer d’indicateurs comme

Q5
durée d’abonnement, délai de paiement, ...

C’est pour ce type de questions que sont mis en œuvre les

outils de fouille de données
20
Domaine d’application de DM
▪ Entreprise et Relation Clients : création de profils clients, ciblage de
clients potentiels et nouveaux marchés
▪ Bioinformatique : analyse du génome, ADN...
▪ Médecine: diagnostic, traitement…
▪ Internet : spam, e-commerce, détection d’intrusion, Sécurité
▪ Gestion et analyse de risque : Assurances, Banques, Fraud…
▪ Web mining, text mining…
21
Exemple 1: E-commerce
Targeting Systèmes de recommandation
Stocker les séquences de Opportunité : les clients notent les
clicks des visiteurs, analyser produits ! Comment tirer profit de
les caractéristiques des ces données pour proposer des
acheteurs produits à un autre client ?
Faire du ”targeting” lors de la Solutions : technique de filtrage
visite d’un client potentiel collaboratif pour regrouper les
clients ayant les mêmes “goûts”.

22
Exemple 2: Commerce
Opinion mining
▪ Exemple : analyser l’opinion des usagers sur les produits d’une
entreprise à travers les commentaires sur les réseaux sociaux et les
blogs

23
Les données
Les données
Les données peuvent être vues comme une collection d’objets
(enregistrements) et leurs attributs

▶ Un attribut est une propriété et ou ▶ Un ensemble d’attributs décrit un

une caractéristique de l’objet objet
▶ Exemple: température, poids… ▶ L'objet est également appelé
▶ L'attribut est également appelé enregistrement, observation,
caractéristique, variable, champ entité ou instance

25
 Attributs

Objets

26
Types de données

Qualitative Quantitative

Nominales Intervalles

Ordinales Ratio

27
Types de données: Qualitative

▪ Variables qualitatives ou catégorielles expriment une qualité comme

le sexe, le métier ou le nom.
▫ Nominales, comme par exemple le nom des journaux, le signe
astrologique.
▫ Ordinales, désigne le rang : un peu, moyen, beaucoup,
énormément

28
Types de données: Nominal
▪ Les variables nominales présentent des catégories que l’on nomme
avec un nom.
▪ Le seul calcul faisable sur les variables nominales est le nombre
d’éléments ou pourcentage par catégorie.
▪ Exemple:
Quel est votre sexe: Votre couleur de cheveux:
o Homme o Noir
o Femme o Blond
o Châtain
29
o Autre
Types de données: Ordinal
▪ Les variables ordinales sont des catégories qui sont naturellement
ordonnées.
▪ Ça peut être le classement à une course, par exemple ou le résultat
à questionnaire sur une échelle de Likert.
▪ Exemple:

30
Types de données: Quantitative

▪ Variables quantitatives contiennent des valeurs mesurables.

▫ De rapports, exemple : distance, durée, valeur;
▫ Discrètes exemple : âge, nombre d’habitants;
▫ Continues exemple : distance.
▫ D’intervalles exemple :date de naissance, heure d’arrivée;
▫ Discrètes exemple : date en général;
▫ Continues exemple : température.

31
Types de données: Interval
▪ Nous pouvons, non seulement, ordonner les items qui sont
mesurés, mais également mesurer et comparer les tailles des
différences entre elles.
▪ Exemple :
▫ Nous pouvons dire qu'une température de 40 degrés Celsius
est plus haute qu'une température de 30 degrés,
▫ et qu'une augmentation de 20 à 40 degrés est deux fois plus
qu'une augmentation de 30 à 40 degrés.
▫ A 0°c, il y a toujours une température.
32
Types de données: Ratio ou rapport
▪ Les variables de ratios sont très semblables à celles d'intervalle
avec un point nul absolu identifiable
▪ Dans une donnée de ratio, le zéro signifie réellement l'absence de
quelque chose.
▪ Exemple :
▫ Pour la durée d’un test, à 0, il n’y pas de temps
▫ Si vous avez zéro produit laitier dans votre panier, c'est qu'il
n'y a réellement aucun produit laitier.

33
TYPES D'ENSEMBLES DE DONNÉES
Record Graph Ordonné

Matrice de World Wide Données

données Web spatiales

Données Données
Structure
de temporelle
moléculaire
document s

Données Données
de séquentiell
transaction es

Données de
séquence 34
génétique
Données d’enregistrement

▪ Une collection d'enregistrements avec un ensemble fixe

d'attributs

35
Données de document
▪ Chaque document devient un vecteur de «terme»,
▫ Chaque terme est une composante (attribut) du vecteur,
▫ la valeur de chaque composant est le nombre de fois le terme
correspondant apparaît dans le document.

Équipe Coach Jouer Ballon Score Jeu

Document 1 3 0 5 0 2 6

Document 2 0 7 0 2 1 0

Document 3 0 1 0 0 1 2
36
Données de transaction
▪ Un type spécial d’ensemble de données, où chaque enregistrement
(transaction) implique un ensemble d'articles.
▪ Exemple: dans une épicerie. L'ensemble des produits achetés par un client
constitue une transaction, tandis que les produits individuels qui ont été
achetés sont les articles (items) .

37
Graph data
▪ Exemple: graphes génériques et liens HTML

38
Données de séquence génétique

39
Données spatio-temporelles

▪ Trajectoires d'objets ▪ Température

en mouvement mensuelle moyenne
de la terre et de
40
l'océan
Processus Data Mining
Processus data mining
1. Définition du problème
2. Collecte et prétraitement des
données
3. Choix du modèle d’analyse

4. Evaluation des résultats

5. Formalisation et diffusion
42
1. Définition du problème
▪ Quel est le but de l'analyse, que recherche-t-on ?
▪ Quels sont les objectifs ?
▪ Comment traduire le problème en une question pouvant servir de
sujet d'enquête pour cet outil d'analyse bien spécifique ?

Se souvenir que l'on travaille à partir des données existantes,

la question doit être ciblée selon les données
disponibles. 43
2. Collecte et prétraitement des données
▪ N'analyser que des données "propres" et consolidées.
▪ Extraire de l'analyse les données de qualité douteuse.
▪ Bien souvent, les données méritent d'être retravaillées.
▪ S'assurer que la quantité de données soit suffisante pour éviter de
fausser les résultats.

La phase de collecte nécessite le plus grand soin 44

3. Choix du modèle d’analyse

▪ Choisir l’algorithme d’analyse convenable.

▪ Valider le choix d'analyse sur plusieurs jeux d'essais en variant les
échantillons.
▪ Une première évaluation peut conduire à reprendre les étapes 1 ou
2.

45
3. Choix du modèle d’analyse

• Utilisent les données existantes et des résultats connus

Modèles sur ces données pour développer des modèles capables
de prédire les valeurs d’autres données.
prédictifs • Exp: Prédire les clients qui ne rembourseront pas leur
crédit.

• Proposent des descriptions de données pour aider à la

Modèles prise de décision.
• Souvent en amont de la construction de modèles
descriptifs prédictifs.

46
3. Choix du modèle d’analyse

Data Mining

Analyse Analyse
Descriptive Prédictive

Segmentation Association Classification Régression

47
3. Choix du modèle d’analyse

Classification Régression

Segmentation
Association
(Clustering)
48
La variable décisionnelle est qualitative
•Un dossier de crédit peut être classifié : BON ou MAUVAIS
•Un patient peut présenter un fort risque de maladie cardiaque

La Classification a pour objectifs :

•Détecter les variables possédant un lien fort avec la variable
décisionnelle
•Construire un modèle de classification liant ces variables à la
décision

Plusieurs méthodes et techniques pour classifier :

•Arbre de décision
•Forêts Aléatoires
•K-NN k-nearest neighbor…
49
 Déterminer ce qui
caractérise un
groupe particulier de
clients

CLASSIFICATION – PROFILING 50
3. Choix du modèle d’analyse

Classification Régression

Segmentation
Association
(Clustering)
51
La variable décisionnelle est quantitative
•Prédire les tendances salariales la prochaine année
•Prédire le meilleur pourcentage de réduction de coûts

La régression a pour objectifs :

•Détecter les variables possédant un lien fort avec la variable cible
•Construire un modèle prédictif avec l’ensemble des variables
pertinentes afin de prédire la variable d’intérêt

Régression Linéaire
• Méthode des moindres carrés
• Meilleurs prédicteurs

52
3. Choix du modèle d’analyse

Classification Régression

Segmentation
Association
(Clustering)
53
Aucune variable décisionnelle
•Les variables d’entrées servent à créer des groupes homogènes
•Les individus de chaque groupe se ressemblent le plus
•Les groupes d’appartenances obtenus se distinguent le plus

La Segmentation a pour objectifs :

•Trouver les variables métiers influençant la répartition en groupes
•Affecter les individus à leurs nouveaux groupes d’appartenance

Plusieurs méthodes et techniques pour segmenter :

•Partionnement : k-means
•Hiérarchique : CAH

54
 Trouver les
comportements
typiques des
clients.

SEGMENTATION – TYPOLOGIE 55
3. Choix du modèle d’analyse

Classification Régression

Segmentation
Association
(Clustering)
56
 Recherche des
articles les
plus/moins
associés

ANALYSE DU CHARIOT 57
MÉDECINE: les symptômes associés 58
4. Evaluation des résultats
▪ Il est temps d'exploiter les résultats.
▪ Pour affiner l'analyse, reprendre les étapes 1, 2 ou 3 si les résultats
s'avéraient insatisfaisants.
▪ C'est à dire qu'ils ne seraient pas en phase avec les objectifs fixés à
l’étape 1.

59
5. Formalisation et diffusion
▪ Les résultats sont formalisés pour être diffuser.
▪ Incorporation de ces connaissances dans des autres systèmes
pour d’autres actions.
▪ Mesurer l’effet de ces connaissances sur le système, vérifier et
résoudre les conflits possibles avec les connaissances
antérieures.

60
Prétraitement des données
Exemple introductif
▪ Soit l’ensemble de données suivant auquel une technique data
mining va être appliqué pour répondre à une question stratégique
pour l’entreprise

62
Exemple introductif
▪ Corrections des doublons, des erreurs de saisie

63
Exemple introductif
▪ Intégrité de domaine

64
Exemple introductif
▪ Information manquante
▫ Cas où les champs ne contiennent aucune donnée.
▫ Parfois intéressant de conserver ces enregistrements car
l’absence d’information peut être informative (e.g. fraude).

65
Exemple introductif
▪ Représentation horizontale ou éclatée

66
Pourquoi prétraiter les données ?
▪ Données réelles souvent :
▫ Incomplètes : valeurs manquantes, données simplifiées
▫ Bruitées : erreurs et exceptions
▫ Incohérentes : nommage, codage
▪ Résultats de la fouille dépendent de la qualité des données

67
 Nettoyage de données

Intégration de données

Transformation

Réduction

Principales étapes dans le prétraitement 68

Nettoyage des données
▪ Le nettoyage des données est un processus qui vise à identifier et
corriger les données altérées, inexactes ou non pertinentes.
▪ Cette étape est fondamentale dans la préparation des données.
▪ Objectif:
▫ Garantir que seules des données propres et de haute qualité
seront transférées vers les systèmes cibles.
▫ Améliorer la cohérence, fiabilité et valeur des données.

69
Données manquantes
▪ Données non disponibles
▫ Certains attributs n’ont pas de valeur
▪ Causes :
▫ Mauvais fonctionnement de l’équipement
▫ Incohérences avec d’autres données et donc supprimées
▫ Non saisies car non ou mal comprises
▫ Considérées peu importantes au moment de la saisie
▪ Ces données doivent être inférées
70
Comment remplir les trous ?
• Ignorer/supprimer les cas avec des données manquantes
Suppressio
• Peu efficace quand le pourcentage de valeurs manquantes
n est élevé

• Stratégie de traitement internes dans lesquelles l'analyse est

effectuée directement, en utilisant les ensembles de
Tolérance données avec des données manquantes.

• Stratégie pour remplir le données manquantes d'un ensemble

Imputation
de données.

71
Imputation par moyenne / médiane
▪ Calculer la moyenne / médiane des valeurs non manquantes dans une colonne,
▪ Remplacer les valeurs manquantes dans chaque colonne séparément et
indépendamment des autres.
▪ Ne peut être utilisé qu'avec des données numériques.

72
Imputation par (le plus fréquent) ou (zéro /
constante):
▪ Plus fréquent:
▫ Remplacer les données manquantes par les valeurs les plus fréquentes dans
chaque colonne.
▫ Fonctionnel pour les données discrète.
▪ Zéro/Constante:
▫ Remplace les valeurs manquantes par zéro ou une valeur constante.

73
Imputation utilisant un algorithme:

▪ Remplacer les données manquantes par les valeurs la plus probable.

▪ Utiliser des algorithmes pour estimer la valeur des données
manquantes.

▪ Exemple:
▫ Imputation par le centre du groupe.
▫ Imputation à partir des kk plus proches voisins.
▫ Imputation par une moyenne partielle.
74
Autres problèmes

▪ Bruit de données
▪ Enregistrement dupliqués
▪ Données incomplètes
▪ Données incohérentes

75
Intégration des données :
▪ Intégration des données :
▫ Combinaison de différentes sources en une seule
▪ Objectif:
▫ Intégrer les métadonnées de différentes sources
▫ Identifier les différents noms des mêmes données
réelles (Ex : numClient  clientId)
▫ Détecter et résoudre les conflits de valeurs (Ex: Echelle
différente)
▫ Gestion de la redondance
76
Transformation (codage et normalisation)
▪ Une étape très dépendante du choix de l’algorithme DM utilisés.
▪ Regroupements:
▫ Cas où les attributs prennent un très grand nombre de valeurs
discrètes (e.g. adresses que l’on peut regrouper en 2 régions
(Paris - Province))
▪ Attributs discrets:
▫ Deux représentations possibles : représentation verticale ou
représentation horizontale ou éclatée
77
Transformation (codage et normalisation)
▪ Représentation horizontale ou éclatée

78
Transformation (codage et normalisation)
▪ Changements de types pour permettre certaines manipulations
comme par exemple des calculs de distance, de moyenne, date de
naissance
▪ Uniformisation d’échelle.
▫ Certains algorithmes sont basés sur des calculs de distance
entre enregistrements :
▫ Variations d’échelle selon les attributs peuvent perturber
ces algorithmes.

79
Réduction de données
▪ Définition: obtenir une représentation réduite du jeu de
données, plus petite en volume, mais qui produit les mêmes (ou
presque) résultats analytiques.
▪ Stratégies
▫ Réduction de dimension
▫ Réduction de numérosité
▫ Discrétisation

80
Réduction de données
▪ Réduction en ligne par échantillonnage :
▫ Pour des raisons de performance.
▫ Du fait de la complexité importante des algorithmes d’extraction.
▫ Plusieurs méthodes : échantillonnage aléatoire, échantillonnage
par clustering.
▪ Réduction en colonne par suppression des attributs redondants:
▫ Cas triviaux (âge et date de naissance).
▫ Via une analyse des corrélation entre attributs
81
Mesures d'évaluation
Construction d’un modèle DM
• Diviser les données en ensemble
1 d’apprentissage et ensembles de test

• Construire le modèle DM en utilisant

2 l’ensemble d‘apprentissage

• Evaluer le modèle en utilisant l’ensemble

3 de test
83
Etape 1
Données
historiques

Ensemble
d’apprentissage

Ensemble de
test
84
Etape 2
Données
historiques

Ensemble
d’apprentissage

Technique DM

Ensemble de
test

85
Etape 3
Résultat connus

Ensemble
d’apprentissage

Technique DM
Evaluation

Prédiction

Ensemble de
test
86
Echantillonnage de l’ensemble de données

▪ L’échantillonnage génère différents sous-ensembles de données à

partir de l’ensemble initial D.
▪ Différentes méthodes:
▫ Hold-out
▫ k-fold cross-validation
▫ Leave-one-out

87
Hold-out

▪ Utiliser deux ensembles de données indépendants, par exemple,

ensemble d'apprentissage (2/3), ensemble de test (1/3);
▪ Échantillonnage aléatoire
▪ Il est important que les données de test ne soient en aucun cas utilisées
pour créer le modèle DM!
▪ Une répartition aléatoire est utilisée pour les données très
volumineuses

88
Hold-out
▪ L'estimation du holdout peut être rendue plus fiable en répétant le
processus avec différents sous-échantillons:
▫ À chaque itération, une certaine proportion est sélectionnée au
hasard pour l’apprentissage
▫ Les taux d'erreur (précisions de classification) sur les différentes
itérations sont moyennés pour donner un taux d'erreur global
▫ Calculez également un écart type!

Pas optimal: les différents ensembles de tests se chevauchent

89
généralement
Cross-validation (validation croisée)

▪ La validation croisée évite les ensembles de tests qui se chevauchent

▫ Première étape: les données sont divisées en k sous-ensembles de
taille égale
▫ Deuxième étape: utiliser k-1 sous ensemble comme données
d'apprentissage et un sous ensemble comme données de test;
répéter k fois.
▪ C'est ce qu'on appelle la validation croisée k-fold
▪ Les estimations d'erreur sont moyennées pour produire une estimation
d'erreur globale
90
Cross-validation: Exemple

1. Divisez les données en groupes de même taille

2. Laisser un groupe pour le test et utilisez le reste pour créer un modèle

Test
3. Répéter

91
10-fold cross-validation

▪ Méthode standard d'évaluation

▪ Pourquoi dix? Des expériences approfondies ont montré que c'est le
meilleur choix pour obtenir une estimation précise
▪ L'écart type est également essentiel pour comparer les algorithmes
d'apprentissage.
▪ Par exemple. La validation croisée décuple est répétée plus de fois et
les résultats sont moyennés (réduit la variance)!

92
Leave-one-out

▪ Une forme particulière de validation croisée, utilisé pour les données

de petite taille.
▫ Définir le nombre de sous ensemble en se basant sur le nombre
d'instances d’apprentissage.
▫ C'est-à-dire, pour n instances d’apprentissage, construire le
modèle n fois mais à partir de n -1 exemples d’apprentissage …
▪ N'implique aucun sous-échantillonnage aléatoire.
▪ Assez cher en calcul!

93
Qualités attendues d’un modèle DM

Le taux d’erreur, proportion d’individus mal classés doit être le

Précision
plus bas possible.
Le modèle doit dépendre peu que possible de l’échantillon
Robustesse
d’apprentissage et se généraliser à d’autres échantillons.
Les règles du modèles doivent être aussi simples et aussi peu
Concision
nombreuses que possible.
Rapidité de
Apprentissage rapide pour affinement du modèle.
calcul

Paramétrage Pouvoir pondérer les erreurs de classement

94
Méthodes d’évaluation

Classification Association Clustering

• Matrice de • Support • MDL:

confusion • Confidence longueur
• Taux d’erreur • Lift minimale de
• Recall / description
precision
• F-mesure
• Courbe ROC

95
Matrice de confusion

96
Matrice de confusion

▪ TP (True Positives) : les cas où la prédiction est positive, et où la valeur

réelle est effectivement positive.
▫ Exemple : le médecin vous annonce que vous êtes malade, et vous
êtes vraiment malade.
▪ TN (True Negatives) : les cas où la prédiction est négative, et où la
valeur réelle est effectivement négative.
▫ Exemple : le médecin vous annonce que vous n’êtes pas malade, et
vous n’êtes effectivement pas malade.

97
Matrice de confusion

▪ FP (False Positive) : les cas où la prédiction est positive, mais où la

valeur réelle est négative.
▫ Exemple : le médecin vous annonce que vous êtes malade, mais
vous n’êtes pas malade.
▪ FN (False Negative) : les cas où la prédiction est négative, mais où la
valeur réelle est positive.
▫ Exemple : le médecin vous annonce que vous n’êtes pas malade,
mais vous êtes malade.

98
Taux d’erreur: accuracy

99
Taux d’erreur: Exemple

▪ On considère un problème à 2 classes avec : 9990

instances de classe 0 et 10 instances de classe 1.
▪ Si le modèle prédit que tout instance est de classe
0, on a
▫ Accuracy = 9990/10000 = 99, 9 %

100
Précision

▪ La précision permet de répondre à la question suivante :

▫ Quelle proportion d'identifications positives était
effectivement correcte ?
▪ La précision peut être définie comme suit :

▪ Un modèle ne produisant aucun faux positif a une précision

de 1,0.
101
Précision: Exemple

▪ Calculons la précision du modèle de DM qui analyse les tumeurs :

Vrais Positifs (TP) : 1 Faux positifs (FP) : 1

Faux négatifs (FN) : 8 Vrais négatifs (TN) : 90

▪ Le modèle a une précision de 0,5. ie, quand il prédit qu'une tumeur

est maligne, sa prédiction est juste dans 50 % des cas. 102
Recall

▪ Le rappel permet de répondre à la question suivante :

▫ Quelle proportion de résultats positifs réels a été
identifiée correctement ?
▪ Mathématiquement, le rappel est défini comme suit :

▪ Un modèle ne produisant aucun faux négatif a un rappel

de 1,0.
103
Recall: Exemple

▪ Calculons le rappel pour le classificateur de tumeurs :

Vrais Positifs (TP) : 1 Faux positifs (FP) : 1

Faux négatifs (FN) : 8 Vrais négatifs (TN) : 90

▪ Le modèle a un rappel de 0,11. En d'autres termes, il identifie

correctement 11 % des tumeurs malignes. 104
F-mesure

▪ F-mesure ou F-score est une mesure qui combine la

précision et le rappel,
▪ Moyenne harmonique entre la précision et le rappel :

105
Courbe ROC

▪ Une courbe ROC (receiver operating characteristic) est un

graphique représentant les performances d'un modèle de
classification pour tous les seuils de classification.
▪ Cette courbe trace le taux de vrais positifs en fonction du taux de
faux positifs.
▪ Le taux de vrais positifs (TPR) est l'équivalent du rappel:
𝑇𝑃
𝑇𝑃𝑅 =
𝑇𝑃 + 𝐹𝑁
106
Courbe ROC

▪ Le taux de faux positifs (FPR) est défini comme suit

𝐹𝑃
▪ 𝐹𝑃𝑅 = 𝐹𝑃+𝑇𝑁

107