Apprentissage non supervisé
Progression
#Apprentissage non supervisé
Quand il n’y a pas de label, on cherche des structures latentes: regrouper des points, réduire la dimension ou apprendre des représentations. Le k‑means suppose des groupes sphériques et de taille comparable; les méthodes hiérarchiques explorent des fusions successives; la PCA projette sur des axes qui maximisent la variance et aide à visualiser. Des méthodes comme DBSCAN détectent des clusters de forme arbitraire et identifient naturellement les anomalies comme points « bruit ».
Ces méthodes exploratoires aident à comprendre le jeu de données, à détecter des anomalies et à préparer de meilleurs modèles supervisés. Elles ne confirment pas « la vérité » d’une structure, elles proposent des hypothèses à tester contre le métier.