Avec le développement du data mining, de très nombreux articles com-parent et opposent les techniques sur des jeux de données publics et proposent des améliorations incrémentales de certains algorithmes.
Une bonne pratique du Data Mining nécessite de savoir articuler toutes les mé-thodes entrevues dans ce document. Rude tâche, qui ne peut être entreprise qu’à la condition d’avoir très bien spécifié les objectifs et buts de l’étude. On peut noter que certaines méthodes poursuivent les mêmes objectifs prédictifs.
Pour faire décroître Q il suffit donc de se déplacer en sens contraire. Il s’agit d’un algorithme itératif modi-fiant les poids de chaque neurone selon : Le coefficient de proportionnalité est appelé le taux d’apprentissage. Il peut être fixe, à déterminer par l’utilisateur, ou encore varier en cours d’exé-cution selon certaines heuristiques.
Lorsque les méthodes statistiques traditionnelles se trouvent mises en défaut pour de grandes valeurs de p, éventuellement plus grande que n, le sous-ensemble de l’apprentissage machine nommé apprentissage statis-tique (statisticial learning) propose un ensemble de méthodes et algorithmes pertinents car efficaces.