Questionnaire formatif - Prévision et classification
Mode d’emploi
Répondez sans notes ni IA au premier essai. Consultez ensuite les rétroactions et créez une liste de trois notions à reprendre. Ce questionnaire est formatif et non évalué.
1. Fréquence et horizon
Une série mensuelle doit soutenir une commande livrée dans trois mois. Quel horizon minimal faut-il étudier?
Au moins trois mois. La cible et l’origine doivent aussi être précisées.
2. Tendance ou saisonnalité
Les ventes augmentent progressivement depuis quatre ans et culminent chaque décembre. Nommez les deux structures.
Une tendance croissante et une saisonnalité annuelle avec niveau élevé en décembre.
3. Fuite temporelle
Pourquoi une séparation aléatoire des mois est-elle inadéquate pour évaluer une prévision réelle?
Elle peut utiliser des mois futurs pour entraîner un modèle évalué sur des mois antérieurs et ne reproduit pas l’information disponible au point d’origine.
4. Moyenne mobile
Que change une fenêtre de 12 semaines comparativement à une fenêtre de 4 semaines?
Elle lisse davantage et réagit plus lentement aux changements récents.
5. MAE et RMSE
Deux méthodes ont la même MAE, mais l’une produit une très grande erreur. Quelle mesure devrait être plus élevée pour cette méthode?
La RMSE, car elle pénalise davantage les grandes erreurs.
6. Biais
Avec erreur = observé - prévu, un biais moyen positif indique quoi?
Une tendance moyenne à sous-prévoir.
7. Variable externe
Une variable explique très bien les ventes historiques, mais n’est observée qu’un mois après les ventes. Peut-elle servir directement à prévoir?
Non, car elle n’est pas disponible au moment nécessaire. Il faudrait la prévoir séparément, la scénariser de manière défendable ou ne pas l’utiliser.
8. Autocorrélation
Des résidus positifs sont fréquemment suivis de résidus positifs. Que suggère ce motif?
Une autocorrélation positive et une structure temporelle non captée par le modèle.
9. Classe positive
Dans une analyse de départ client, pourquoi faut-il définir explicitement la classe positive?
Les mesures comme sensibilité et précision dépendent de l’événement considéré positif. Ici, il s’agit normalement du départ à détecter.
10. Seuil
Quel effet général produit une diminution du seuil de classification?
Davantage de cas sont classés positifs. La sensibilité augmente souvent, mais les faux positifs et la capacité nécessaire peuvent augmenter aussi.
11. Exactitude trompeuse
Seulement 5 % des cas sont positifs. Une règle qui prédit toujours « négatif » obtient quelle exactitude et quelle sensibilité?
Exactitude de 95 %, mais sensibilité de 0 %. La règle est inutile pour détecter les cas positifs.
12. Décision finale
Une méthode réduit la MAE de 2 %, mais double le coût de maintenance et exige une variable future incertaine. Formulez une décision prudente.
La réponse compare le gain à son incertitude et aux coûts. Elle peut retenir la méthode simple, demander une validation supplémentaire ou utiliser des scénarios plutôt que présenter le gain comme certain.
Demandez au GPT du cours de générer une question analogue sur la notion la moins maîtrisée, sans solution visible. Résolvez-la, puis demandez seulement une critique de votre raisonnement.