Glossaire

Modélisation prédictive

Qu’est-ce que Modélisation prédictive ?

La modélisation prédictive est le cœur technique de l'analyse prédictive : à partir d'exemples dont le résultat est connu, on construit un modèle qui prédit une valeur ou une classe pour de nouveaux cas. Les méthodes courantes sont la régression, les arbres de décision, les forêts aléatoires ou les réseaux de neurones. Un modèle peut ainsi estimer le prix d'un bien d'après sa surface, son emplacement et son année de construction. Avant déploiement, il est testé sur des données mises de côté pour détecter le surapprentissage.

Thèmes

modélisation
prédiction
apprentissage automatique

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Analyse prédictive

L'analyse prédictive s'appuie sur des données historiques, la statistique et l'apprentissage automatique pour estimer des événements futurs probables. Elle répond à des questions comme : quels clients risquent de résilier ? Quel stock faudra-t-il le mois prochain ? Quand une machine tombera-t-elle probablement en panne ? Les résultats sont des probabilités, pas des certitudes. Leur valeur dépend fortement de la qualité des données et de leur intégration réelle dans les décisions et les processus.

analyse de données
prévision
+1

Régression linéaire

La régression linéaire est une méthode statistique qui décrit la relation entre une variable cible et une ou plusieurs variables explicatives au moyen d'une droite ou d'un plan. Les coefficients sont généralement choisis de façon à minimiser la somme des carrés des écarts. La méthode est simple à comprendre et à interpréter : elle permet par exemple d'estimer de combien le chiffre d'affaires augmente si le budget publicitaire croît de 1 000 euros. Elle atteint ses limites face à des relations non linéaires.

Statistiques
Prévision
+1

Régression par forêt aléatoire

La régression par forêt aléatoire prédit des valeurs numériques en combinant de nombreux arbres de décision. Chaque arbre est entraîné sur un échantillon aléatoire des données et une sélection aléatoire de variables ; le résultat est la moyenne des prédictions de tous les arbres. La méthode est ainsi plus robuste et moins sujette au surapprentissage qu'un arbre unique. On l'utilise par exemple pour des prévisions de ventes, des estimations de prix ou de besoins énergétiques, souvent comme point de départ solide sur des données tabulaires.

régression
méthode d'ensemble
+1

Validation croisée

La validation croisée est une méthode pour vérifier dans quelle mesure un modèle se généralise à des données nouvelles. Dans la validation croisée à k plis, les données sont divisées en k parties ; le modèle est entraîné k fois sur k−1 parties et testé à chaque fois sur la partie restante, puis on fait la moyenne des résultats. Cela permet de détecter le surapprentissage et de comparer équitablement des modèles ou réglages, surtout avec peu de données.

Évaluation de modèles
Validation
+1