Qu'est-ce que la dérive de concept?

Principes de surveillance en Machine Learning

Hakim Elakhrass

Co-founder and CEO of NannyML

Définition

Changement du lien entre les entrées du modèle et la cible

$P(Y|X)$ change, $P(X)$ reste identique

L'image montre un changement du lien entre le revenu et l'âge en production comparativement à l'entraînement.

Pourquoi la dérive survient-elle?

Événements externes
- tendances virales, changements de politiques
Saisonnalité non modélisée
- p. ex., en prévision de la demande : Black Friday ou Noël
Changements du processus de génération des données
- nouvelle mise à jour de l'appli de collecte de données
Évolution du comportement des utilisateurs
- habitudes, schémas, préférences changent constamment

La dynamique de la dérive de concept

Dérive soudaine : un nouveau concept apparaît en peu de temps

Dérive graduelle : un nouveau concept remplace peu à peu l'ancien

Répétitive : ancien concept qui revient au fil du temps

Image montrant le texte Covid-19.

Image montrant des billets américains.

Image d'une affiche annonçant 50 % de rabais au Black Friday.

Effets du déplacement des covariables sur la dérive de concept

Négatif
- l'effet de la dérive de concept diminue

Positif
- l'effet de la dérive de concept s'intensifie

L'image illustre un déplacement des covariables entre l'entraînement et la production. Le revenu est passé de 80 k/an à 100 k/an. Le deuxième graphique montre une dérive de concept : le lien entre le revenu et le défaut de paiement prévu change. La probabilité de défaut est plus élevée pour les revenus plus faibles.

L'image illustre un déplacement des covariables entre l'entraînement et la production. Le revenu est passé de 80 k/an à 60 k/an. Le deuxième graphique montre une dérive de concept : le lien entre le revenu et le défaut de paiement prévu change. La probabilité de défaut est plus élevée pour les revenus plus faibles.

Passons à la pratique!

Principes de surveillance en Machine Learning