Une équipe développe un modèle de machine learning pour prédire le risque de maladie cardiaque. L'ensemble de données comprend des caractéristiques d'entrée (âge, cholestérol, tension artérielle, tabagisme, exercice) et une étiquette indiquant si chaque patient souffre d'une maladie cardiaque. Quelle approche de ML est appropriée ?

L'apprentissage supervisé est la bonne approche car l'ensemble de données contient des caractéristiques d'entrée (âge, cholestérol, etc.) et une étiquette de sortie correspondante (présence ou absence de maladie cardiaque). Le modèle apprend à mapper les entrées aux sorties en se basant sur ces paires connues. L'apprentissage non supervisé serait utilisé s'il n'y avait pas d'étiquettes, pour trouver des structures cachées. L'apprentissage par renforcement implique un agent interagissant avec un environnement pour maximiser une récompense, ce qui n'est pas le cas ici. L'apprentissage semi-supervisé combine des données étiquetées et non étiquetées, mais l'apprentissage supervisé est le plus approprié lorsque toutes les données d'entraînement sont étiquetées.