Réponse rapide
L’apprentissage supervisé est inadapté lorsque les labels fiables sont impossibles à obtenir, que la situation change sans exemples représentatifs, que la tâche exige une exploration ouverte ou que l’erreur est trop coûteuse pour une prédiction seule. Une règle, une méthode non supervisée, une planification ou une supervision humaine peut mieux convenir, éventuellement avec un modèle limité et abstention.
Comparer tâche et signal d’apprentissage
Disponibilité des labels, stabilité des classes, volume, délai, explicabilité et coût d’erreur sont évalués. Perception connue peut convenir au supervisé ; objectif nouveau ou environnement très variable exige adaptation ou décision hybride. Le choix est documenté.
Définir un rôle limité au modèle
Le modèle peut filtrer, proposer ou prioriser pendant qu’un contrôleur ou humain valide. Cas hors domaine, conflit et faible confiance déclenchent abstention. Les données nouvelles servent à vérifier l’hypothèse avant extension du périmètre.
Ne pas forcer une classe pour rendre le problème entraînable
Étiquettes artificielles peuvent donner une métrique mais une mauvaise action. Les ambiguïtés, intentions nouvelles et changements de contexte restent visibles. Une solution plus simple et contrôlable peut être préférable.
Sources et références
- [1] scikit-learn User Guide — scikit-learn