Module 1 — Ce que l'on cherche quand il n'y a pas d'étiquettes
Le cours précédent reposait tout entier sur une colonne à prédire. Retirez-la : le modèle n'a plus de bonne réponse à comparer, plus d'erreur à minimiser au sens habituel. Que reste-t-il à apprendre ? Beaucoup — mais l'objectif change de nature, et avec lui la façon de juger le résultat. Ce module pose ce déplacement, car c'est lui qui rend le reste du cours cohérent.
L'objectif se déplace : de la prédiction à la structure
En supervisé, la question était « quelle est la valeur de ? ». En non supervisé, elle devient : « comment ces donn ées sont-elles organisées ? » On ne cherche plus à reproduire une réponse connue, mais à faire émerger une structure cachée : des groupes naturels, des axes de variation dominants, des points qui ne ressemblent à rien d'autre.
La conséquence est immédiate et déroutante au début : il n'y a plus de score unique qui tranche. Deux partitionnements différents des mêmes clients peuvent être tous deux corrects — l'un par comportement d'achat, l'autre par ancienneté. Le non supervisé ne donne pas la réponse ; il donne des lectures possibles, et c'est à vous d'arbitrer selon l'usage.
Pourquoi c'est le cas le plus fréquent en pratique
L'étiquetage coûte cher. Annoter des dizaines de milliers d'images ou faire qualifier des tickets par des experts demande du temps et de l'argent, et beaucoup de projets démarrent sans rien de tout cela. Or les données brutes, elles, sont abondantes. Le non supervisé est donc souvent le seul point d'entrée possible — et fréquemment la première étape d'un projet supervisé : on explore, on comprend, on regroupe, puis on décide quoi étiqueter en priorité.
Les trois familles de tâches
Ce cours est construit autour de trois questions distinctes, et savoir laquelle on se pose est le premier réflexe :
| Question | Tâche | Modules |
|---|---|---|
| « Y a-t-il des groupes ? » | partitionnement | 2 à 5, 9 |
| « Puis-je décrire ces données avec moins de variables ? » | réduction de dimension | 6, 7 |
| « Quels points sont anormaux ? » | détection d'anomalies | 8 |
Le partitionnement (clustering) regroupe les observations semblables : segmenter une clientèle, regrouper des documents par thème. La réduction de dimension décrit les données avec moins d'axes en gardant l'essentiel : compresser, visualiser, débruiter. La détection d'anomalies isole les observations atypiques : fraude, panne, défaut de fabrication.
Le nerf du problème : évaluer sans vérité de référence
C'est la difficulté propre au non supervisé, et elle mérite d'être posée franchement dès maintenant. Sans étiquettes, pas de justesse à mesurer. On s'appuie alors sur trois types de garde-fous, tous mobilisés dans les modules suivants :
- des critères internes, qui mesurent la qualité géométrique du résultat — groupes compacts et bien séparés (le score de silhouette du module 3) ;
- la stabilité : un résultat qui change du tout au tout quand on modifie légèrement les données ou la graine aléatoire n'est pas un résultat fiable ;
- l'utilité métier, juge de paix final : les groupes trouvés sont-ils interprétables, actionnables, distincts aux yeux de ceux qui connaissent le domaine ?
Presque toutes les méthodes de ce cours reposent sur une notion de distance entre observations. Une variable exprimée en euros (0 à 100 000) écrasera mécaniquement une variable exprimée en années (0 à 80) : les groupes obtenus refléteront la première seule. Standardiser avant de partitionner n'est pas une option, c'est une condition de validité — le même réflexe que pour k plus proches voisins au module 4 du cours supervisé, mais ici les conséquences sont invisibles, faute de score pour les révéler.
En résumé
- Sans cible, l'objectif passe de « prédire une valeur » à « révéler une structure » ; il n'existe plus de réponse unique, mais des lectures à arbitrer selon l'usage.
- Le non supervisé est le cas fréquent en pratique, l'étiquetage étant coûteux ; il sert souvent de première étape exploratoire à un projet supervisé.
- Trois familles de tâches : partitionnement, réduction de dimension, détection d'anomalies.
- Faute de vérité de référence, on évalue par critères internes, stabilité et utilité métier — et l'on standardise systématiquement, la distance décidant de tout.
Module suivant : les k-moyennes, l'algorithme de partitionnement de référence, son principe et ses angles morts.