Parce que la fonction supprime automatiquement les colonnes de dates.

Cela détruit l'ordre chronologique et provoque un "Data Leakage" : le modèle s'entraînerait sur des données du futur pour prédire le passé.

Cela augmente de manière incontrôlée la dimensionnalité de la base de données.

Parce que les modèles ARIMA nécessitent uniquement des données d'entraînement (pas de validation).

Le point représente le centroïde mathématique du cluster.

Le point est parfaitement au centre de son cluster (position idéale).

Le point a très probablement été assigné au mauvais cluster (il est plus proche des points d'un autre cluster que des siens).

Le point est situé exactement sur la frontière (équidistant) entre deux clusters.

Il produit un dendrogramme visualisable pour comprendre la hiérarchie des données.

Il converge toujours de manière globale, sans jamais être piégé dans des minimums locaux.

Il fonctionne exclusivement avec la distance de Manhattan et non la distance euclidienne.

Il ne requiert pas de définir le nombre de clusters (K) à l'avance et il est capable d'identifier le bruit/les anomalies (-1).

Un modèle naïf qui prédit toujours la classe majoritaire obtiendra un excellent score (ex: 99%) sans rien apprendre de la fraude.

Parce qu'elle prend trop de temps à calculer sur de gros volumes de données.

L'Accuracy donne toujours un résultat de 0 en présence de données déséquilibrées.

Parce qu'elle est mathématiquement impossible à calculer si les classes ne sont pas strictement à 50/50.

General Indexing, Generated Output.

Garbage In, Garbage Out (Des données de mauvaise qualité entraînent de mauvais résultats).

Global Intelligence, Global Output.

Gain Information, Gain Optimization.

La PCA préserve les distances locales comme le t-SNE, tandis que la LDA agit comme un auto-encodeur.

La PCA est utilisée exclusivement pour les données textuelles, alors que la LDA est pour les images.

La PCA est non-supervisée et cherche à maximiser la variance globale, tandis que la LDA est supervisée et cherche à maximiser la séparabilité entre les classes.

La PCA est supervisée, alors que la LDA est non-supervisée.

Les scores sont des distances au centroide ; predict renvoie des IDs de clusters.

Des scores eleves indiquent plus de normalite ; predict renvoie 0/1.

Des valeurs plus grandes dans "scores" indiquent davantage d'anormalite ; "predict" renvoie -1 pour outlier et 1 pour inlier.

Les scores sont des probabilites dans [0,1] ; predict renvoie des noms de classes.

Elle est trop complexe à calculer pour des millions de transactions

Elle ne prend pas en compte les Faux négatifs

Un modèle naïf prédisant toujours la classe majoritaire obtiendra un score artificiellement excellent

Elle pénalise trop fortement les Faux Positifs.

t-SNE excelle à préserver la structure locale (voisinage) des données complexes pour la visualisation, tandis que PCA préserve la variance globale.

t-SNE est un algorithme linéaire, PCA est non-linéaire.

t-SNE fonctionne très bien sur des milliards de lignes, PCA est limité aux petits jeux de données.

CA est utilisé pour la classification supervisée, t-SNE pour la régression.