Classification (SVM, KNN, arbres de décision)
La classification est une tâche d’apprentissage supervisé qui consiste à prédire une étiquette ou une catégorie à partir d’un ensemble de caractéristiques. Contrairement à la régression, la sortie est ici discrète. Plusieurs algorithmes sont utilisés selon la structure des données, la complexité du problème et les objectifs de performance ou d’interprétabilité.
SVM (Support Vector Machine)
Méthode basée sur la recherche d’un hyperplan optimal qui maximise la marge entre les classes. Elle est efficace dans les espaces de grande dimension et peut gérer la non-linéarité à l’aide de noyaux (kernel trick).
KNN (K-Nearest Neighbors)
Algorithme simple qui classe un point selon la majorité des étiquettes de ses k voisins les plus proches. Il ne nécessite pas d’apprentissage explicite mais repose sur la notion de distance dans l’espace des features.
Arbres de décision
Modèles arborescents qui segmentent l’espace de décision en posant des questions binaires sur les variables explicatives. Ils sont interprétables, rapides à entraîner, mais sensibles à l’overfitting si non régularisés.