Excel Mania

Classification en apprentissage automatique : définition et méthodes expliquées sur Excel en français

Classification en apprentissage automatique : définition et méthodes expliquées sur Excel en français

Classification en apprentissage automatique : définition et méthodes expliquées sur Excel en français

Un tableau Excel peut faire bien plus que calculer des sommes. Avec une méthode adaptée, il peut aussi aider à répondre à une question très concrète : un client risque-t-il de résilier son abonnement ? Un courriel est-il indésirable ? Une demande doit-elle être classée comme urgente ? C’est le principe de la classification en apprentissage automatique.

Pas besoin de commencer par un logiciel complexe ni de maîtriser des formules incompréhensibles. Excel permet de comprendre les grandes méthodes, de préparer des données et de construire des modèles simples. Voici comment s’y retrouver, avec un exemple fil rouge et des pistes à tester directement dans votre classeur.

La classification, qu’est-ce que c’est ?

La classification est une méthode d’apprentissage automatique qui consiste à attribuer une catégorie à une observation. Le modèle étudie des exemples déjà classés, repère des régularités, puis prédit la catégorie d’un nouvel exemple.

Imaginez un tableau contenant des informations sur des abonnés : ancienneté, nombre de contacts avec le service client, montant de la facture et résiliation ou non. La colonne « Résiliation » est la catégorie à prédire. Les autres colonnes sont les caractéristiques utilisées pour établir la prédiction.

Une classification peut avoir deux catégories, comme « résilie » et « reste », ou plusieurs catégories, comme « faible », « moyen » et « élevé ». Dans le premier cas, on parle de classification binaire. Dans le second, de classification multiclasse.

Le modèle ne lit pas dans les pensées des clients. Il apprend plutôt que certaines combinaisons de caractéristiques sont associées à une catégorie. Par exemple, dans les données disponibles, une faible ancienneté et de nombreux appels au service client peuvent être plus fréquents chez les abonnés qui résilient.

Classification ou régression : ne pas confondre

Ces deux approches cherchent à faire une prédiction, mais pas du même type. La classification prédit une catégorie : « paiement à risque » ou « paiement normal ». La régression prédit une valeur numérique : le montant des ventes du mois prochain ou le délai de livraison estimé.

Un repère pratique : si la réponse attendue est une étiquette, choisissez une classification. Si elle est un nombre mesurable, vous êtes probablement face à un problème de régression. Attention, une catégorie peut parfois être codée par un nombre dans Excel. Le fait d’écrire 1 pour « reste » et 0 pour « résilie » ne transforme pas la question en régression : ces nombres désignent toujours des catégories.

Préparer les données dans Excel

Un modèle n’est pas meilleur que les données qu’on lui fournit. Avant de lancer des calculs, consacrez donc du temps au nettoyage du tableau. Chaque ligne doit représenter une observation, chaque colonne une caractéristique, et la colonne à prédire doit être clairement identifiée.

Pour notre exemple, imaginons un tableau avec les colonnes « Ancienneté », « Appels au service client », « Facture mensuelle » et « Résiliation ». On peut coder les deux catégories avec 0 et 1, puis conserver une légende explicite : 0 signifie « reste », 1 signifie « résilie ». La légende évite bien des erreurs au moment de lire les résultats.

La première méthode : classer avec des règles simples

Avant de construire un modèle élaboré, une règle de décision constitue un excellent point de départ. Par exemple : classer un client comme « à surveiller » s’il a appelé le service client au moins trois fois et possède moins de six mois d’ancienneté.

Dans Excel, la fonction SI permet de traduire cette règle. Si l’ancienneté est en B2 et le nombre d’appels en C2, une formule pourrait être :

=SI(ET(B2<6;C2>=3);"À surveiller";"Risque faible")

Cette approche est facile à expliquer et à modifier. En revanche, elle dépend des seuils choisis par la personne qui crée la règle. Pourquoi trois appels plutôt que deux ? Pour répondre, il faut comparer la règle aux données historiques et mesurer ses résultats. Une règle manuelle est un bon repère de départ, pas forcément le modèle final.

La régression logistique : prédire une probabilité

Malgré son nom, la régression logistique est souvent utilisée pour la classification binaire. Elle estime une probabilité comprise entre 0 et 1. Le modèle peut, par exemple, estimer qu’un abonné a 0,78 de probabilité de résilier. On choisit ensuite un seuil : au-dessus de 0,5, on le classe comme « risque de résiliation ».

Ce seuil n’est pas gravé dans le marbre. Si une fausse alerte coûte peu, mais qu’une résiliation manquée coûte cher, on peut abaisser le seuil afin de repérer davantage de clients à risque. À l’inverse, si chaque intervention commerciale est coûteuse, on peut exiger une probabilité plus élevée.

Pour calculer cette probabilité, la méthode combine plusieurs caractéristiques et coefficients. La fonction EXP d’Excel permet d’appliquer la transformation logistique. Mais les coefficients doivent être appris à partir des données : on peut les ajuster avec le Solveur d’Excel, en cherchant à réduire l’écart entre les prédictions et les catégories observées. Cette démarche est possible, mais demande un peu plus de préparation que l’usage d’une simple formule SI.

La régression logistique est intéressante lorsque l’on veut comprendre l’influence de plusieurs caractéristiques et obtenir une probabilité. Elle suppose toutefois que les données soient correctement préparées et que le modèle soit évalué sur des observations qui n’ont pas servi à l’ajuster.

Les arbres de décision : des questions en cascade

Un arbre de décision classe les observations en posant une suite de questions. Par exemple : le client a-t-il moins de six mois d’ancienneté ? Si oui, a-t-il appelé le service client au moins trois fois ? En suivant les réponses, on aboutit à une catégorie.

Dans Excel, on peut reproduire un petit arbre avec des fonctions SI imbriquées. Cette méthode rend les décisions faciles à visualiser et à expliquer. Elle est particulièrement pratique pour présenter un raisonnement à une équipe qui ne souhaite pas examiner des équations.

Le risque est de créer un arbre trop compliqué, rempli de règles qui ne fonctionnent que sur les données d’origine. Un modèle qui mémorise les exemples au lieu d’apprendre des tendances générales est dit surajusté. Il peut sembler excellent sur le tableau de départ et se tromper sur de nouveaux clients. Pour l’éviter, limitez le nombre de règles et vérifiez les résultats sur des données mises de côté.

Les plus proches voisins : comparer les profils

La méthode des plus proches voisins classe une nouvelle observation en la comparant aux observations déjà connues. Elle cherche les profils les plus similaires, puis attribue la catégorie la plus fréquente parmi eux.

Avec les clients, le modèle pourrait rechercher les cinq abonnés les plus proches selon l’ancienneté, le nombre d’appels et le montant de la facture. Si quatre de ces cinq profils ont résilié, la nouvelle personne pourrait être classée dans la catégorie « risque de résiliation ».

Dans Excel, on peut calculer une distance entre deux lignes à l’aide de formules, puis trier les résultats pour repérer les profils les plus proches. Une précaution est essentielle : les caractéristiques doivent être sur des échelles comparables. Une facture de plusieurs centaines d’euros pourrait peser davantage qu’un nombre d’appels compris entre 0 et 5, simplement à cause de l’écart entre leurs valeurs. Il faut donc souvent normaliser les données avant de les comparer.

Naïve Bayes : raisonner à partir des fréquences

La méthode naïve de Bayes utilise les fréquences observées pour estimer la probabilité d’une catégorie à partir de plusieurs caractéristiques. Par exemple, elle compare la fréquence des résiliations parmi les clients ayant appelé plusieurs fois avec la fréquence générale des résiliations.

Dans Excel, des fonctions comme NB.SI.ENS peuvent aider à compter les observations correspondant à plusieurs critères. On peut ainsi établir des fréquences par groupe et les utiliser pour construire un calcul de probabilité. La méthode est souvent rapide et utile pour une première exploration, notamment quand les caractéristiques sont des catégories.

Son hypothèse simplificatrice est que les caractéristiques sont indépendantes les unes des autres une fois la catégorie connue. Dans la réalité, l’ancienneté et les appels au service client peuvent être liés. La méthode peut malgré tout donner de bons résultats, mais ses probabilités doivent être vérifiées sur les données disponibles.

Mesurer les performances sans se fier à une seule valeur

Un modèle qui prédit « reste » pour tout le monde peut sembler performant si la grande majorité des clients restent effectivement. Pourtant, il ne repérera aucune résiliation. Le taux de bonnes réponses, appelé exactitude, ne suffit donc pas toujours.

Construisez une matrice de confusion en comparant les catégories prédites aux catégories réelles. Pour une classification binaire, elle distingue quatre cas :

Le meilleur indicateur dépend de votre objectif. Si manquer un client à risque est très coûteux, surveillez le rappel, c’est-à-dire la part des cas réels correctement détectés. Si les fausses alertes mobilisent beaucoup de ressources, regardez aussi la précision, qui indique quelle part des alertes est justifiée.

Organiser un test simple dans un classeur

Pour comparer une règle manuelle et une méthode plus avancée, gardez une partie des lignes à l’écart. Utilisez les autres pour créer ou régler le modèle, puis faites des prédictions sur les lignes réservées au test. Ces lignes jouent le rôle de nouveaux cas : le modèle ne doit pas les avoir utilisées pour apprendre.

Dans Excel, ajoutez une colonne « Prédiction », puis une colonne « Correct ? » qui compare cette prédiction à la catégorie réelle. Pour des catégories textuelles, une formule telle que =SI(D2=E2;1;0) renvoie 1 si la prédiction est correcte et 0 sinon. La moyenne de cette colonne donne le taux de bonnes réponses. Complétez cette mesure par le décompte des faux positifs et des faux négatifs.

Ne choisissez pas un modèle uniquement parce qu’il affiche le meilleur résultat sur quelques lignes. Répétez le test avec différentes séparations des données si vous le pouvez, et vérifiez que les catégories sont suffisamment représentées dans chaque groupe.

Quel modèle choisir dans Excel ?

Le bon choix dépend de la question, du volume de données et de la facilité d’explication recherchée. Pour découvrir la classification, commencez par des règles simples ou un petit arbre de décision. Pour estimer une probabilité, explorez la régression logistique. Pour comparer des profils, testez les plus proches voisins. Pour travailler avec des fréquences et des catégories, la méthode naïve de Bayes est une piste accessible.

Excel est particulièrement utile pour préparer les données, expérimenter des règles, calculer des fréquences et vérifier des prédictions. Pour des modèles plus complexes ou de grands volumes, un outil spécialisé peut devenir plus pratique. Mais comprendre les principes dans un classeur reste un excellent moyen de savoir ce que le modèle fait réellement — et de repérer quand ses résultats semblent suspects.

La classification n’est donc pas une boîte noire réservée aux spécialistes. Avec un tableau propre, une question bien définie et une évaluation honnête, Excel permet déjà de tester plusieurs méthodes et de tirer des enseignements utiles. Commencez petit, comparez les résultats, puis ajustez le modèle : c’est souvent la meilleure façon d’apprendre, une cellule après l’autre.

Quitter la version mobile