Vous avez un tableau de données et vous hésitez entre régression, classification, clustering ou détection d’anomalies ? Ce guide vous propose cinq parcours de lecture selon votre objectif. Ouvrez la situation qui vous ressemble. Chaque réponse donne un premier essai, un contrôle à effectuer et un cas Python exécutable.
Aucun fichier à envoyer, aucun compte à créer : les réponses se déplient directement dans cette page. Cet assistant propose un point de départ pédagogique ; le meilleur modèle dépendra de vos données et de la manière de l’évaluer.
1. Avez-vous une réponse connue pour les exemples d’apprentissage ?
Une réponse connue est une colonne cible : une catégorie validée ou une valeur mesurée que vous voudrez ensuite prédire. Le simple numéro d’une ligne n’est pas une cible utile. Si vos étiquettes sont incomplètes ou peu fiables, commencez par examiner leur qualité.
Oui : je veux prédire une catégorie — parcours classification
Commencer par une régression logistique
Par exemple, classer une tâche « à vérifier » ou « normale » à partir de décisions historiques. Malgré son nom, la régression logistique est un classifieur. Essayez une base simple avec une préparation des variables adaptée, puis comparez-la à d’autres modèles sur validation.
Le contrôle décisif : quels faux positifs et faux négatifs pouvez-vous accepter ? Une probabilité n’est pas encore une décision. Si vous ne pouvez examiner que 60 lignes, vérifiez aussi que la règle appliquée respecte cette capacité.
Lire le guide de régression logistique, puis choisir un seuil avec un budget de vérifications : CSV et code gratuit.
Oui : je veux prédire une quantité — parcours régression
Comparer une prédiction simple à un modèle de régression
Par exemple, estimer une durée de traitement. Commencez par une référence comme la moyenne ou la médiane apprise sur l’entraînement. Un modèle plus complexe, tel que XGBoost, doit apporter un gain sur cette référence.
Le contrôle décisif : l’erreur est-elle acceptable dans l’unité du problème ? Séparez apprentissage, validation et test ; l’arrêt anticipé ne doit pas regarder le test final. Pour des observations chronologiques ou plusieurs lignes par personne, adaptez la séparation au futur usage.
Comprendre XGBoost régression, puis prédire une durée depuis un CSV. Si vous avez besoin d’un intervalle, poursuivez avec le contrôle de couverture en régression quantile.
2. Sans cible fiable, que voulez-vous découvrir ?
Le résultat d’une méthode non supervisée ne devient pas automatiquement une vérité. Un groupe est une construction à examiner, une anomalie est un signal à vérifier et une projection peut perdre de l’information.
Je veux réunir des observations qui se ressemblent — parcours regroupement
Tester K-means, puis examiner la géométrie des groupes
K-means est un premier essai pour des variables numériques dont la distance a un sens et des groupes relativement compacts. Mettez les unités en cohérence. Si les formes sont irrégulières et qu’un classement en bruit est utile, examinez aussi DBSCAN ou HDBSCAN.
Le contrôle décisif : croisez silhouette, tailles des groupes, stabilité et intérêt concret. Un joli coude n’impose pas à lui seul un nombre de groupes. Si vous devez affecter de nouvelles lignes, prévoyez cette étape : K-means propose predict, le DBSCAN de scikit-learn n’en propose pas directement.
Lire le guide K-means, puis comparer coude, silhouette et stabilité. Pour diagnostiquer DBSCAN, voir le cas des points tous classés en bruit.
Je veux repérer des lignes inhabituelles — parcours anomalies
Explorer des scores Isolation Forest
Par exemple, repérer des lignes atypiques dans un CSV dont vous ne connaissez pas tous les défauts. Isolation Forest fournit un score d’isolement ; ce score n’est pas une probabilité de fraude ni une preuve d’erreur. Une observation rare peut être parfaitement valide.
Le contrôle décisif : regardez les faux signaux et la capacité réelle de vérification. Avec un petit ensemble étiqueté séparé, vous pouvez comparer des seuils. Sans référence vérifiée, décrivez les observations comme inhabituelles, sans annoncer une précision de détection inconnue.
Lire le guide Isolation Forest, puis détecter des lignes inhabituelles dans un CSV et calibrer le seuil d’alerte.
Je veux résumer ou visualiser beaucoup de colonnes — parcours projection
Commencer par PCA, en contrôlant les échelles
PCA projette les variables numériques sur des axes de variance décroissante. Elle peut aider à visualiser ou compresser un tableau. Décidez si une standardisation est pertinente : elle change l’importance relative des variables.
Le contrôle décisif : une variance conservée élevée ne garantit pas de préserver le signal utile à une cible. Si PCA précède un classifieur, comparez le pipeline complet à une version sans PCA, avec transformation apprise uniquement sur l’entraînement.
Lire le guide PCA, puis voir un cas où 98,99 % de variance conservée fait perdre le signal de classification.
Avant de lancer le modèle
- Vérifier le tableau : types, unités, valeurs manquantes, doublons et informations disponibles au moment de la prédiction.
- Définir le contrôle : métrique, coût d’une erreur, stabilité ou couverture selon le parcours.
- Réserver l’évaluation : ne choisissez pas vos transformations ou paramètres avec le test final. Pour des données temporelles ou groupées, un simple tirage de lignes peut être trompeur.
- Garder une référence simple : complexifier uniquement si un résultat vérifié le justifie.
Besoin de préparer vos fichiers ? Les cinq exercices CSV gratuits, avec indices et corrigés travaillent les bases. Pour contrôler l’évaluation, consultez la comparaison d’une validation correcte et d’un test contaminé.
Ces parcours ciblent des tableaux numériques ou préparés pour ces méthodes. Ils ne couvrent pas tous les besoins : texte brut, images, causalité, prévision de séries temporelles ou apprentissage avec peu d’étiquettes demandent une démarche spécifique. L’explication d’un modèle déjà entraîné constitue une autre étape : voir le guide SHAP/LIME.
Repères pour approfondir
Les familles de problèmes sont présentées dans la carte officielle des estimateurs scikit-learn. Le chapitre sur les erreurs de préparation et les fuites de données détaille les précautions d’évaluation. Nos parcours ajoutent des exemples du blog et des contrôles concrets ; ils ne constituent pas un classement universel des algorithmes.