Vous prévoyez d'utiliser la détection d'anomalies non supervisée pour classer des échantillons de tissus comme normaux ou mutés. Quelles sont les deux conditions qui justifient l'utilisation d'une méthode de détection d'anomalies non supervisée ?

La détection d'anomalies non supervisée est idéale lorsque les anomalies (ici, les mutations) sont rares par rapport aux données normales. Cela permet au modèle d'apprendre la distribution des données normales et d'identifier tout ce qui s'en écarte comme une anomalie. De plus, si les futures anomalies partagent des caractéristiques similaires avec les anomalies existantes, un modèle non supervisé peut les détecter sans avoir besoin d'étiquettes préalables. Les autres options sont incorrectes car un nombre égal d'occurrences ou la disponibilité d'étiquettes rendraient les méthodes supervisées plus appropriées. Si les futures mutations ont des caractéristiques différentes, même un modèle supervisé aurait du mal, mais un modèle non supervisé pourrait encore identifier les déviations par rapport à la norme.