Les avantages et les inconvénients de
Scikit-Learn
Le premier avantage de Scikit-Learn est sa simplicité d’utilisation.
Le package est extrêmement adaptable et utile, et peut servir des
objectifs réels comme la prédiction du comportement des consommateurs
ou encore le développement de neuroimages.Une documentation APU
détaillée permet aux utilisateurs de connecter facilement les algorithmes à
leurs plateformes. Enfin, Scikit-learn est soutenu et maintenu à jour par
de nombreux contributeurs et une grande communauté mondiale.
En revanche, si Scikit-Learn est efficace pour bâtir des modèles
prédictifs, il n’est pas idéal pour la simple lecture, la manipulation et la
synthèse d’information. Sur ces points, nous lui préfèrerons des librairies
telles que NumPy ou Pandas, avec lesquelles Scikit-Learn fonctionne
d’ailleurs parfaitement.
Deux types de problèmes d’apprentissage non supervisé
GraphicOn peut considérer l’apprentissage non supervisé comme étant
séparé en deux catégories : le clustering et l’association.
Le clustering est une technique d’apprentissage non supervisé, qui groupe
des données non-étiquetées en fonction de leurs similarités and de leurs
différences. Ainsi, les points sont rassemblés dans des groupes (ou des
clusters) de telle manière à ce que les points au sein d’un même groupe
soient le plus similaire possible, pendant que les points dans des groupes
différents soient les plus différents possible. Pour cela, une analyse de
cluster identifie les caractéristiques, au sein des données, et groupe les
points en fonction de la présence ou de l’absence de ces caractéristiques.
Parmi les méthodes de clustering, on trouve la méthode des k-moyennes
(ou k-means), la classification hiérarchique (ou hierarchical clustering) ou
encore la classification probabilistique (ou probabilistic clustering).
GraphicD’un autre côté, les règles d’association sont une autre forme
d’apprentissage non supervisé, qui identifie une relation entre les points
de données. En d’autres termes, ces algorithmes trouvent les points qui
apparaissent ensemble dans les données. Ces méthodes sont souvent
utilisées pour l’analyse du panier de consommation, qui permet aux
compagnies de comprendre la relation entre l’achat de différents produits.
En effet, cela permet d’établir une relation de la forme suivante : « Les
individus qui achètent le produit X ont également tendance à acheter le
produit Y ». Parmi les algorithmes d’association, on trouve l’algorithme
Apriori, l’algorithme Eclat et l’algorithme FP-growth.
Il existe divers algorithmes d’apprentissage non supervisé que nous allons
explorer dans le prochain article.
