Qu’est-ce que l’apprentissage automatique ?

Comment écririez-vous un programme qui distingue une tumeur dangereuse d’une tumeur bénigne ? Vous pourriez vous asseoir avec une médecin et traduire son expérience en règles : « si les cellules dépassent telle taille, donner l’alerte ». Ou vous pourriez montrer à l’ordinateur des centaines de cas passés dont on connaît l’issue, et le laisser trouver la règle tout seul. La seconde approche, c’est l’apprentissage automatique (machine learning), et ce cours explique pourquoi elle fonctionne, quand elle échoue et comment faire la différence.

À vous de jouer

• Déplacez lentement le curseur du seuil de gauche à droite et observez l’exactitude sur les données d’entraînement. Arrêtez-vous là où la règle vous semble la meilleure.
• Cliquez sur Apprendre et comparez le seuil choisi par l’algorithme avec le vôtre. Regardez les deux nombres : l’exactitude sur les données d’entraînement et sur les données de test.
• Poussez le curseur du seuil jusqu’au bout. La règle donne maintenant la même réponse à presque toutes les tumeurs – et pourtant l’exactitude ne tombe pas à zéro. Cherchez pourquoi avant de lire la suite.
• Après avoir cliqué sur « Apprendre », regardez quel score est le plus élevé, entraînement ou test, et décidez auquel vous feriez confiance pour une vraie patiente.

L’idée en quelques mots

Voyons maintenant ce que vous venez de manipuler, en termes simples.

En programmation classique, une personne écrit la règle et l’ordinateur l’applique. En apprentissage automatique, une personne fournit des exemples – des entrées accompagnées des bonnes réponses – et un algorithme cherche une règle qui reproduit ces réponses. La règle trouvée s’appelle un modèle. Une fois trouvé, le modèle s’utilise exactement comme une règle écrite à la main : une nouvelle entrée, une prédiction en sortie.

Pensez à la façon dont on apprend à savoir si un avocat est mûr. Personne ne vous donne de formule. Vous en pressez quelques-uns, vous les ouvrez, vous notez lesquels étaient bons, et au bout d’une douzaine d’essais votre pouce « sait ». Vous n’avez jamais écrit la règle, mais vous en avez une, construite à partir d’exemples dont vous connaissiez le résultat. Un algorithme d’apprentissage fait la même chose, avec des nombres et beaucoup plus de patience.

Pourquoi ça marche

Les exemples de cette leçon viennent d’un vrai jeu de données médical : 569 tumeurs du sein, chacune décrite par des mesures de noyaux cellulaires observés au microscope, et chacune classée par une pathologiste comme maligne (212 cas) ou bénigne (357 cas). Pour commencer, nous n’utilisons qu’une seule de ces mesures et la règle la plus simple qui soit : « au-dessus du seuil → maligne, en dessous → bénigne ».

Choisir le seuil à la main, c’est deviner. Apprendre le seuil, c’est essayer chaque valeur possible sur les exemples et garder celle qui fait le moins d’erreurs. Voilà tout ce qu’« apprendre » veut dire ici : une recherche, guidée par les données, du réglage qui fonctionne le mieux sur des cas déjà connus. Tous les modèles que vous rencontrerez ensuite, de la droite au modèle de langage à plusieurs milliards de paramètres, suivent la même recette : une famille de règles possibles, une façon de les noter et la recherche de la meilleure note.

Il y a un piège, et c’est l’idée la plus importante de tout le domaine. Une règle qui colle bien aux cas connus n’est pas forcément bonne. Ce qui nous intéresse, ce sont les cas que nous n’avons pas encore vus : la prochaine patiente. Alors, avant l’apprentissage, on met de côté une partie des données. Le modèle apprend sur le jeu d’entraînement, puis il est noté sur le jeu de test, qu’il n’a jamais vu. La note est généralement l’exactitude (accuracy), c’est-à-dire la part des cas que la règle classe correctement :

exactitude = prédictions correctes / toutes les prédictions

Une règle apprise sur le jeu d’entraînement obtient souvent un score un peu plus bas sur le jeu de test. Cet écart est le prix honnête de la rencontre avec des données nouvelles, et c’est le score de test que vous donneriez à un médecin.

Erreur fréquente

L’erreur classique du débutant consiste à juger un modèle sur les données dont il a appris. Sur ces cas, l’algorithme a eu toutes les chances de s’ajuster, donc le score le flatte. Le second piège est d’oublier la référence (baseline). La plupart des tumeurs de ce jeu de données sont bénignes, donc une « règle » qui répond toujours « bénigne » a déjà raison dans 357 cas sur 569, près des deux tiers. Voilà pourquoi, même quand une règle donne presque à chaque tumeur la même réponse, son exactitude ne tombe pas à zéro. Tout modèle appris doit battre cette réponse triviale avant de mériter l’attention, et en médecine il doit en plus faire le bon type d’erreurs – un thème que nous retrouverons dans la leçon 6.

L’apprentissage automatique n’est donc ni magique ni une forme de compréhension. C’est une recherche méthodique d’une règle, suivie d’un examen honnête sur des données que la recherche n’a jamais touchées. Dans la prochaine leçon, nous regardons de plus près la matière première – données, variables et étiquettes – et pourquoi la façon de découper les données change le score obtenu.

from sklearn.datasets import load_breast_cancer
from sklearn.dummy import DummyClassifier

X, y = load_breast_cancer(return_X_y=True, as_frame=True)
print("tumours:", len(y))
print("malignant:", (y == 0).sum(), "benign:", (y == 1).sum())  # dans sklearn, 0 = maligne
always_benign = DummyClassifier(strategy="most_frequent").fit(X, y)
print(f"always 'benign': {always_benign.score(X, y):.1%}")

tumours: 569
malignant: 212 benign: 357
always 'benign': 62.7%