Il n’y a pas d’obligation l\u00e9gale, si ce n’est morale, \u00e0 ce qu’une d\u00e9cision algorithmique soit juste<\/em>. Pour une d\u00e9cision bas\u00e9e sur une m\u00e9thode d’apprentissage, sa justesse d\u00e9pend de la qualit\u00e9 de pr\u00e9vision<\/em> de la m\u00e9thode utilis\u00e9e sur les donn\u00e9es concern\u00e9es.<\/p>\n Une erreur de pr\u00e9vision<\/a><\/em> est soumise \u00e0 de nombreux facteurs dont ceux primordiaux de la qualit\u00e9 et de la repr\u00e9sentativit\u00e9 des donn\u00e9es utilis\u00e9es dans la base d’apprentissage du mod\u00e8le. La qualit\u00e9 d’un mod\u00e8le ou d’un algorithme est mesur\u00e9e en estimant une erreur de pr\u00e9vision, par exemple sur un \u00e9chantillon test<\/em>, ind\u00e9pendant de l’\u00e9chantillon d’apprentissage. Plusieurs crit\u00e8res ou mesures sont possibles d\u00e9pendant tout d’abord de la nature de la variable \u00e0 mod\u00e9liser, pr\u00e9voir. En voici des exemples.<\/p>\n Une pratique courante consiste \u00e0 partager une \u00e9chantillon en deux parties, l’une d’apprentissage (training set<\/em>) l’autre de test. Un mod\u00e8le est estim\u00e9 et optimis\u00e9 (valeurs des param\u00e8tres de complexit\u00e9), par exemple par validation crois\u00e9e<\/em>, sur la partie d’apprentissage. Ce mod\u00e8le est ensuite utilis\u00e9 pour pr\u00e9voir l’\u00e9chantillon test afin de calculer, estimer l’erreur de pr\u00e9vision ou le score choisi. Cette s\u00e9paration: apprentissage et test est indispensable pour \u00e9viter un biais optimiste<\/em> dans l’\u00e9valuation de l’erreur et un risque de sur-apprentissage.<\/p>\n Si l’\u00e9chantillon test est petit, cette proc\u00e9dure de s\u00e9paration al\u00e9atoire apprentissage \/ test\u00a0 est r\u00e9p\u00e9t\u00e9e puis les erreurs obtenues moyenn\u00e9es; il s’agit d’une proc\u00e9dure de validation crois\u00e9e dite Monte Carlo<\/em>.<\/p>\n La qualit\u00e9 de pr\u00e9vision impacte directement la confiance que l’on peut accorder une d\u00e9cision qui en d\u00e9coule. Les grands succ\u00e8s obtenus par des algorithmes d’apprentissage, notamment “profonds” (deep learning<\/em>) pour la reconnaissance d’images, le jeu de GO (AlphaGo<\/em>) sont largement m\u00e9diatis\u00e9s mais ne doivent pas faire oublier les fiascos en lien avec la pr\u00e9vision de comportements humains. La connaissance du risque d’erreur associ\u00e9 doit alors permettre de relativiser, discuter, remettre en cause, une d\u00e9cision algorithmique. Cette quantit\u00e9 impacte par ailleurs le choix de m\u00e9thode et par l\u00e0 son niveau d’interpr\u00e9tabililt\u00e9 ou d’explicabilit\u00e9<\/a>; elle impacte \u00e9galement le biais discriminatoire<\/a> qui peut en d\u00e9couler.<\/p>\n La marge d’erreur d’une pr\u00e9vision est \u00e0 traiter de fa\u00e7on analogue \u00e0 celle des intervalles de confiance dans les sondages.\u00a0 S’il para\u00eet impossible d’exiger que le risque d’une d\u00e9cision soit inf\u00e9rieur \u00e0 un certain seuil, la loi ou son d\u00e9cret d’application pourrait obliger d’associer l’explication d’une d\u00e9cision \u00e0 la d\u00e9marche entreprise pour l’apprendre ainsi qu’\u00e0 celle mise en \u0153uvre pour estimer l’erreur qui y est attach\u00e9e.<\/p>\n","protected":false},"excerpt":{"rendered":" Contexte juridique Il n’y a pas d’obligation l\u00e9gale, si ce n’est morale, \u00e0 ce qu’une d\u00e9cision algorithmique soit juste. Pour une d\u00e9cision bas\u00e9e sur une m\u00e9thode d’apprentissage, sa justesse d\u00e9pend de la qualit\u00e9 de pr\u00e9vision de la m\u00e9thode utilis\u00e9e sur les donn\u00e9es concern\u00e9es. Estimation de l’erreur de pr\u00e9vision Une erreur de pr\u00e9vision est soumise \u00e0 […]<\/p>\n","protected":false},"author":177,"featured_media":0,"parent":44,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"template-full-width.php","meta":{"footnotes":""},"class_list":["post-232","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/232","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/users\/177"}],"replies":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/comments?post=232"}],"version-history":[{"count":6,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/232\/revisions"}],"predecessor-version":[{"id":271,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/232\/revisions\/271"}],"up":[{"embeddable":true,"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/pages\/44"}],"wp:attachment":[{"href":"https:\/\/perso.math.univ-toulouse.fr\/mllaw\/wp-json\/wp\/v2\/media?parent=232"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Estimation de l’erreur de pr\u00e9vision<\/h2>\n
\n
Impact de l’erreur<\/h2>\n
Questions<\/h2>\n