Comprendre un modèle#

Le seul modèle qu’on comprend vraiment bien est le modèle linéaire. C’est le seul qui soit facilement interprétable et dont on connaisse les propriétés. En dehors ce modèle, l’expérimentation est souvent la seule réponse à la question : que se passe-t-il si les données utilisées pour la prédiction sont différentes de celles utilisées pour l’apprentissage ? Dans la grande majorité des cas, on suppose que les données utilisées pour la prédiction suivent la même loi que les données d’apprentissage et c’est ce qui fait que la prédiction est fiable. Les données ne sont jamais rigoureusement semblables à celles qui les ont précédés et il est courant d’observer une forme de dérive des performances de prédictions au cours du temps. C’est un phénomène facile à observer lorsque la dimension du problème est faible, plus difficile à détecter lorsque le nombre de variable est grand. Reste l’intuition que cela peut arriver.