Une classification multi-classes avec classes rares se mesure par métriques par classe, macro et micro, matrice de confusion, calibration et coût d’erreur, sans laisser la classe majoritaire dominer le verdict.
Le regroupement de données rassemble observations similaires sans étiquette préalable pour révéler modes, familles, anomalies ou situations dans le fonctionnement d’un robot.
K-means impose un nombre de groupes et optimise des centres selon une distance ; le regroupement hiérarchique construit une arborescence de fusions ou séparations visualisable à plusieurs niveaux.
Le regroupement peut révéler des modes de fonctionnement en groupant fenêtres de capteurs, commandes et résultats, puis en comparant groupes connus, transitions, durée et anomalies.
Choisir le nombre de groupes combine métriques de séparation et compacité, stabilité, connaissance du procédé, interprétabilité, coût de surveillance et comportement des anomalies.
Pour éviter un regroupement trompeur, on normalise et sélectionne les variables avec soin, teste stabilité et interprétation, recherche les artefacts et vérifie les groupes sur le fonctionnement réel.
Valider une régression dans une commande robotique exige données séparées, erreur par condition, latence, incertitude, stabilité en boucle, limites et comportement de repli.
Une régression peu fiable se détecte par résidus élevés ou biaisés, intervalle trop optimiste, sortie hors domaine, dérive temporelle, incohérence capteurs ou erreur dans les cas critiques.
La régression prédit une quantité continue comme position ou couple ; la classification choisit une catégorie comme obstacle, objet ou mode, avec des erreurs et sorties différentes.
Pour estimer la pose d’un robot, une régression apprend ou ajuste la relation entre mesures et position-orientation, puis fournit estimation, erreur et confiance dans le repère choisi.
La régression estime une valeur continue à partir de variables d’entrée, par exemple pose, distance, effort ou consommation, avec une incertitude et un domaine de validité.
Réduire la dimension avant un apprentissage robotique peut diminuer calcul, bruit et surapprentissage, mais risque de supprimer une variable rare ou critique pour la sécurité.