Différence entre apprentissage supervisé et non supervisé : le guide clair

La question qui revient le plus souvent quand j'anime une initiation au machine learning, c'est celle-ci : « supervisé ou non supervisé, c'est quoi la vraie différence ? » Et à chaque fois, je vois la même chose se produire. Les gens retiennent la définition — étiquettes, pas d'étiquettes — et se plantent une semaine plus tard sur leur premier projet réel.

Pourquoi ? Parce que la différence entre apprentissage supervisé et non supervisé ne tient pas dans une définition. Elle tient dans une décision : est-ce que je sais ce que je cherche, ou est-ce que je cherche à voir ce qui se cache ?

Je vais vous raconter comment je formule ça aujourd'hui, après avoir fait les deux erreurs classiques sur des projets clients. Une en supervisé où j'ai labellisé à la main pendant trois semaines pour rien. Une en non supervisé où j'ai livré des clusters impeccables que personne n'a compris. Les deux m'ont appris la même leçon, mais pas de la même façon.

La différence entre apprentissage supervisé et non supervisé, en une phrase

En supervisé, vous montrez au modèle des exemples avec la bonne réponse attachée. En non supervisé, vous lui donnez les données brutes et vous lui demandez de trouver un motif tout seul.

Voilà. C'est tout. Sauf que cette phrase est trompeuse, parce qu'elle donne l'impression qu'il suffit de regarder si votre fichier CSV a une colonne de labels à la fin.

Ce que cache vraiment la notion de « label »

Un label, ce n'est pas juste une colonne. C'est une affirmation sur la réalité, posée par quelqu'un, à un moment donné. Et cette affirmation peut être fausse.

J'ai travaillé sur un modèle de détection de défauts sur des pièces industrielles. Le jeu de données existant avait une colonne « conforme / non conforme » remplie par des opérateurs en fin de ligne. Pratique, non ? Sauf qu'après trois jours à recouper les cas, on s'est rendu compte que les opérateurs du poste de nuit labellisaient « conforme » des pièces que ceux du matin rejetaient. Pas de la malveillance. Une différence de seuil de tolérance, jamais formalisée.

Ce modèle a appris à reproduire un désaccord humain. Il était très performant. Sur les mauvaises réponses.

Pourquoi la frontière est plus floue qu'annoncée

Dans les cours, la séparation est nette. Dans la pratique, elle bouge tout le temps :

• Vous commencez sans labels, vous faites du clustering, et vous découvrez cinq groupes. Vous les nommez à la main. Vous venez de fabriquer des labels.
• Vous avez des labels, mais ils sont bruités au point de mériter une phase d'exploration non supervisée préalable pour comprendre ce qui se passe.
• Vous entraînez un modèle supervisé, puis vous l'utilisez pour étiqueter automatiquement les données non labellisées. C'est du self-training, et c'est un pont entre les deux mondes.

Bref, la dichotomie est un point de départ pédagogique. Pas une description du terrain.

L'apprentissage supervisé : quand vous connaissez la réponse

Le principe est simple à énoncer et coûteux à mettre en œuvre : vous avez un historique où chaque entrée est associée à une sortie correcte, et vous cherchez la fonction qui relie les deux.

Un exemple d'apprentissage supervisé, concrètement

Prenons un cas que j'ai traité pour un e-commerçant : prédire si un panier abandonné sera repris dans les 48 h. Les entrées, c'étaient une vingtaine de variables (nombre d'articles, temps passé sur la page de paiement, appareil, heure de la journée, historique de commandes). La sortie, c'était un oui ou un non, tiré des trois mois écoulés.

On avait donc des exemples étiquetés : ce panier-là a été repris, celui-ci non. Le modèle apprend sur les deux premiers mois, on teste sur le troisième. Simple, mesurable, livrable.

Deux grandes familles d'algorithmes selon ce que vous prédisez :

• Régression quand la sortie est un nombre continu — régression linéaire, régression logistique pour une probabilité, arbres de décision pour des relations non linéaires.
• Classification quand la sortie est une catégorie — machines à vecteurs de support (SVM), forêts aléatoires, gradient boosting, réseaux de neurones pour les cas lourds.

Les métriques qui comptent vraiment

L'accuracy est la métrique la plus citée et la plus trompeuse. Si 97 % de vos paniers sont repris, un modèle qui répond « repris » à tout le monde affiche 97 % d'accuracy et ne sert à rien.

Ce que je regarde en premier : la matrice de confusion. Elle vous dit où le modèle se trompe, pas seulement à quelle fréquence. Ensuite le F1 si les classes sont déséquilibrées, et la courbe ROC avec son AUC quand je dois arbitrer un seuil de décision.

Sur le projet paniers abandonnés, on est passés d'une AUC de 0,68 avec une régression logistique basique à 0,81 avec un gradient boosting, en ajoutant surtout des variables de comportement de navigation. Le changement d'algorithme a apporté deux points. Les nouvelles variables en ont apporté onze. À méditer.

L'apprentissage non supervisé : quand vous explorez

Ici, pas de bonne réponse à comparer. Vous demandez à l'algorithme : « trouve-moi quelque chose de cohérent là-dedans ». Et vous jugez le résultat à la main, avec votre connaissance métier.

Un exemple d'apprentissage non supervisé

Un cabinet de conseil voulait segmenter ses 4 000 clients sans hypothèse de départ. Aucun label disponible, aucune segmentation historique fiable. On a lancé un k-means sur cinq variables d'usage normalisées.

Résultat : quatre groupes. Et là, surprise : le groupe le plus petit en volume était aussi celui qui générait le plus de marge, parce qu'il regroupait des clients qui utilisaient intensivement une seule fonctionnalité très spécialisée — un signal que personne n'avait vu dans les tableaux de bord classiques.

Est-ce que c'est « vrai » ? Non. C'est une structure dans les données, qui a servi de point de départ à une discussion commerciale. C'est tout ce qu'on lui demandait.

Les algorithmes qu'on utilise réellement

• K-means : rapide, il faut choisir k à l'avance. Je l'utilise pour un premier passage.
• DBSCAN : trouve des groupes de forme quelconque et isole les points aberrants. Plus lent à régler.
• Classification ascendante hiérarchique (CAH) : donne un arbre de regroupements, utile quand on veut voir les proximités à plusieurs niveaux.
• Analyse en composantes principales (ACP) : ce n'est pas du clustering, c'est de la réduction de dimension. Mais elle sert presque toujours en amont, pour visualiser et débruiter.
• Détection d'anomalies : isolation forest, autoencodeurs. Un usage à part entière du non supervisé.

Le choix de k, justement, c'est le piège numéro un. J'ai vu des gens le fixer arbitrairement parce que « cinq segments, c'est vendeur en comité de direction ». On choisit k avec la méthode du coude ou le score de silhouette, et on vérifie que les groupes tiennent si on retire dix points au hasard. Un cluster qui disparaît au premier échantillon n'a aucune valeur.

Tableau comparatif : supervisé, non supervisé, renforcement

Ce tableau résume ce que je répète en formation. La troisième colonne est là parce qu'on me pose systématiquement la question.

Critère	Supervisé	Non supervisé	Par renforcement
Données d'entrée	Entrées + sorties correctes	Entrées seules	États, actions, récompenses
Objectif	Prédire une valeur connue	Découvrir une structure	Apprendre une politique d'action
Exemples d'algorithmes	Régression logistique, SVM, forêts aléatoires	K-means, DBSCAN, CAH, ACP	Q-learning, policy gradient
Métriques	Accuracy, F1, ROC-AUC	Inertie, silhouette, stabilité	Récompense cumulée
Coût principal	Annotation des données	Interprétation des résultats	Simulation ou environnement réel
Échec typique	Surapprentissage, labels bruités	Trop de variables, k arbitraire	Fonction de récompense mal posée

Comment choisir, en pratique

Oubliez la question « quel est le meilleur algorithme ». Posez-vous plutôt celle-ci : est-ce que je connais la réponse que je veux obtenir ?

Le vrai critère, c'est le coût des labels

Si vous avez déjà un historique étiqueté et fiable, supervisé, sans hésiter. Vous aurez une métrique objective pour trancher entre deux modèles, ce qui est un luxe énorme.

Si vous n'avez rien, non supervisé. Mais prévoyez du temps d'analyse humaine derrière : un modèle non supervisé ne vous livre pas une réponse, il vous livre des questions.

Et si le seul obstacle est le coût d'annotation ? C'est le cas le plus fréquent. Annoter 10 000 lignes correctement, dans mon expérience, ça prend une à deux semaines de travail humain qualifié, avec un taux d'accord entre annotateurs souvent décevant au premier passage. La sortie la plus maline est alors le semi-supervisé : vous étiquetez un petit millier d'exemples propres, vous entraînez un modèle, vous l'utilisez pour présélectionner les cas les plus incertains, et vous ne faites relire à la main que ceux-là. Sur un projet de classification de tickets support, cette approche nous a fait passer de 1 200 à 340 annotations manuelles pour un résultat quasi identique.

Trois pièges que je vois systématiquement

1. Le surapprentissage déguisé en succès. Un score parfait sur les données d'entraînement, catastrophique en production. Si votre modèle est trop beau, vérifiez votre découpage avant de fêter ça.
2. La malédiction de la dimensionnalité. En non supervisé, dès qu'on dépasse une quinzaine de variables, les distances entre points deviennent quasiment toutes égales, et le clustering perd son sens. Réduisez avant de regrouper.
3. Le cluster orphelin. Un groupe qui contient 3 points sur 4 000 n'est pas un segment client, c'est une anomalie. Intéressant parfois. Rarement ce que le client attendait.

Avouons-le, sur mon premier projet de segmentation, j'ai livré une belle analyse avec k=8, choisie pour flatter la direction. Six des huit groupes se ressemblaient à 90 %. Personne ne l'a relevé pendant deux mois. Depuis, je teste k de 2 à 6 et je montre la courbe, même quand elle est peu spectaculaire.

Questions fréquentes

Quelle est la différence entre apprentissage supervisé, non supervisé et par renforcement ?

Supervisé et non supervisé partent tous les deux de données figées : la différence tient à la présence ou non de réponses correctes dans ces données. L'apprentissage par renforcement fonctionne autrement : un agent agit dans un environnement, reçoit des récompenses ou des pénalités, et ajuste sa stratégie au fil des essais. Il n'y a pas de jeu d'entraînement à proprement parler, mais une boucle d'interaction. C'est la famille utilisée pour les jeux, la robotique et certains systèmes de recommandation séquentielle.

Peut-on combiner les deux approches ?

Oui, et c'est souvent la meilleure option. Trois combinaisons reviennent : faire du clustering pour créer des pseudo-labels avant d'entraîner un modèle supervisé ; faire du supervisé sur une petite base annotée puis propager les étiquettes aux données restantes (self-training) ; faire du non supervisé en amont pour réduire la dimension et débruiter, puis du supervisé sur les composantes retenues. La dernière est celle que j'utilise le plus, parce qu'elle coûte peu et améliore presque toujours les résultats.

Lequel des deux faut-il apprendre en premier ?

Le supervisé, sans hésiter. Les concepts que vous y acquérez — découpage entraînement/test, surapprentissage, métriques de classification — servent dans tout le reste. Le non supervisé est plus déroutant à aborder en premier, parce qu'il n'y a pas de score unique pour vous dire si vous avez bien travaillé. Vous passez votre temps à interpréter, et ça demande un socle méthodologique solide.

Ce qui compte plus que la dichotomie

Si vous ne devez retenir qu'une chose de cet article, prenez celle-ci : la vraie difficulté n'est presque jamais de choisir entre supervisé et non supervisé. Elle est de savoir si vos données méritent qu'on leur fasse confiance.

Un modèle supervisé brillant sur des labels contradictoires reproduira les contradictions. Un clustering propre sur des variables mal normalisées produira du bruit bien présenté. J'ai vu les deux cas de près, et dans les deux cas la réunion de restitution s'est mal passée pour la même raison : on avait sauté l'étape où l'on regarde les données en face.

Alors la prochaine fois qu'on vous demandera « supervisé ou non supervisé ? », essayez de répondre par une autre question : « qu'est-ce qu'on sait déjà, et qu'est-ce qu'on a le temps de vérifier ? » La réponse technique découle presque toujours de là. Et si elle ne découle pas, c'est probablement que le problème n'était pas un problème de machine learning.