Vocabulaire de travail en science des données

Ces termes décrivent le raisonnement. Les noms d’outils ont leur place dans les guides d’implémentation.

Terme	Sens pratique
Question	La décision, la comparaison, l’estimation ou l’explication que l’analyse doit éclairer.
Observation	Une unité, un événement ou une mesure enregistrés dans un jeu de données.
Variable explicative	Une variable mesurée ou dérivée utilisée comme entrée d’un modèle.
Cible / étiquette	Le résultat qu’un modèle supervisé doit prédire.
Population	L’ensemble complet des cas que la conclusion vise à décrire.
Échantillon	Le sous-ensemble observé qui sert à étudier cette population.
Schéma	Les noms, types, contraintes et relations qui définissent la structure des données stockées.
Provenance	L’origine des données, leur mode de collecte ou de transformation et leur responsable.
Baseline	Une méthode de référence simple qu’une analyse plus complexe devrait dépasser.
Métrique	Une règle explicite pour mesurer l’erreur, l’utilité, l’ajustement ou une autre propriété d’intérêt.
Jeu d’entraînement	Les données utilisées pour estimer les paramètres du modèle.
Jeu de validation	Les données utilisées pendant le développement pour comparer des choix sans ajuster le modèle sur le jeu de test final.
Jeu de test	Les données mises de côté pour estimer finalement la généralisation dans le cadre d’évaluation choisi.
Fuite de données	Une information atteint l’entraînement ou la construction des variables alors qu’elle ne serait pas légitimement disponible à l’usage du modèle.
Facteur de confusion	Une variable liée à la fois à une variable explicative et au résultat, susceptible de fausser une interprétation causale.
Calibration	L’accord entre probabilités prédites et fréquences observées dans un cadre d’évaluation donné.
Reproductibilité	Une autre exécution peut retrouver l’analyse à partir des données, du code, de l’environnement, des paramètres et des étapes consignés.

Perte, objectif et métrique désignent des rôles, pas nécessairement des formules différentes. Une perte évalue une prédiction ; l’objectif d’entraînement agrège les pertes et peut ajouter une pénalité ; une métrique résume une propriété pour une population et un découpage donnés. Un classifieur peut ainsi minimiser la perte logarithmique, mais être évalué par le rappel à capacité d’examen fixée. Les paramètres sont ajustés dans l’entraînement ; les hyperparamètres contrôlent cette procédure et sont choisis par validation. Voir les concepts généraux de l’apprentissage automatique pour des exemples.

Mots à qualifier

• Moyenne : nommez la statistique — moyenne arithmétique, médiane, moyenne pondérée ou autre.
• Exactitude : précisez la métrique et la distribution des classes ; l’exactitude seule peut masquer des erreurs importantes.
• Représentatif : indiquez la population et le mécanisme d’échantillonnage qui justifient cette affirmation.
• Significatif : distinguez les preuves statistiques de l’importance pratique.
• Corrélation : ne transformez pas implicitement une association en conclusion causale.

Une phrase précise vaut mieux qu’un glossaire plus volumineux. Si un terme ne change ni la manière de travailler ni l’interprétation, il n’a probablement pas besoin d’une définition canonique.

Mes lectures · Les notes ouvertes sont mémorisées dans ce navigateur.