Qu'est-ce que l'apprentissage automatique ?

Tu connais le nombre de points d'un joueur une fois le match fini. Mais peux-tu le prédire avant ? Un directeur sportif qui hésite à signer un joueur se pose exactement cette question : « vu ce qu'il produit, combien va-t-il marquer la saison prochaine, et quelle valeur lui donner ? » Il ne lit pas dans une boule de cristal. Il regarde des centaines de joueurs passés, repère ce qui va ensemble, et en tire une estimation. C'est précisément ce qu'un modèle d'apprentissage automatique fait, mais en chiffres et sans intuition. Avant d'écrire la moindre ligne de modèle, posons ce que veut dire « prédire ».

Le concept (et ce que tu vas gagner)

Le concept de ce module, c'est l'apprentissage supervisé : laisser un programme apprendre une relation à partir d'exemples, au lieu de la lui dicter par des règles écrites à la main.

On ne programme pas « si le joueur tente beaucoup de tirs, alors beaucoup de points ». On montre au modèle des centaines de joueurs réels, avec à chaque fois la bonne réponse, et il en déduit lui-même la relation. C'est la grande bascule par rapport à la programmation classique : là où un développeur écrit la règle, ici on fournit des données et le modèle écrit la règle pour nous.

À la fin de ce module, tu sauras :

• ce qu'est exactement l'apprentissage supervisé, et en quoi il diffère d'un programme à base de règles ;
• nommer les variables explicatives (X) et la cible (y) d'un problème NBA ;
• distinguer prédiction et inférence, supervisé et non supervisé ;
• comprendre pourquoi un modèle appris bat une règle de bon sens, et où sont ses limites (l'erreur qu'aucun modèle ne fait disparaître, et la généralisation qu'on travaillera ensuite).

C'est le socle du parcours. Tous les modules suivants sont des variations sur cette idée.

La théorie en profondeur

L'intuition : une fonction qui transforme ce qu'on sait en ce qu'on cherche

Fixons le vocabulaire de base. Il revient dans chaque module, autant le poser proprement maintenant.

• une observation : une ligne de données, un exemple. Ici, un joueur sur une saison.
• une variable explicative (feature, l'entrée, qu'on note X) : ce qu'on connaît et qui sert à prédire. Ici, le nombre de tirs tentés par match.
• la cible (target, la sortie, qu'on note y) : ce qu'on cherche à prédire. Ici, les points par match.
• un modèle : une fonction qui transforme X en une estimation de y. On l'écrit y ≈ f(X).

Géométriquement, apprendre revient à tracer la « bonne » courbe à travers un nuage de points. Chaque joueur est un point (ses tirs en abscisse, ses points en ordonnée). Le modèle cherche la fonction f qui passe au plus près de tous ces points à la fois. Une fois cette fonction trouvée, prédire pour un joueur nouveau, c'est lire la hauteur de la courbe à l'endroit de ses tirs.

Le modèle contre la règle écrite à la main

Pour sentir l'intérêt, opposons deux approches sur la même question : « combien de points pour un joueur à 15 tirs ? »

• La règle écrite à la main. Un fan dirait : « un tir, c'est à peu près un point, donc 15 tirs font 15 points ». Honorable, mais faux. Ça ignore les lancers francs, le rythme de jeu, l'adresse. C'est une règle figée, choisie par un humain.
• Le modèle appris. On ne choisit pas la règle. On donne au programme 413 joueurs réels et on le laisse trouver, tout seul, le lien tirs → points qui colle le mieux aux données. Tu verras dans le code qu'il trouve plutôt « 1 tir ≈ 1,4 point », et que cette relation se trompe en moyenne de moins d'un point, contre plus de deux pour la règle naïve.

La différence n'est pas cosmétique. Quand demain on aura vingt variables (taille, poste, minutes, efficacité), aucun humain ne saura écrire à la main la règle qui les combine. Le modèle, lui, l'apprendra à partir des exemples. C'est tout l'enjeu.

La math, et d'où elle sort

La réalité n'est jamais parfaite. Deux joueurs qui tentent exactement 15 tirs ne marquent pas le même nombre de points. On écrit donc honnêtement :

y = f(X) + ε

où ε (epsilon) est l'erreur irréductible : tout ce que les variables disponibles ne peuvent pas expliquer. La forme du soir, la qualité de la défense adverse, un shoot qui rentre au buzzer. Même le modèle parfait laisse un ε. Viser ε = 0, ce serait apprendre par cœur le bruit de cette saison précise, pas la vraie tendance. On reviendra longuement là-dessus : c'est le piège du sur-apprentissage.

Comment le modèle choisit-il son f ? Il essaie de rendre ses erreurs aussi petites que possible. Pour chaque joueur, il compare sa prédiction à la vraie valeur ; l'écart est le résidu. Le modèle cherche la fonction qui minimise ces résidus dans leur ensemble. Tu n'as pas besoin de la formule exacte ici (c'est le module « Comment un modèle apprend »), mais retiens le principe : apprendre = réduire l'écart entre prédiction et réalité sur les exemples connus. C'est de là que sort le « 1,4 point par tir » : ce n'est pas un chiffre choisi, c'est celui qui minimise l'erreur sur les 413 joueurs.

Supervisé ou non supervisé : la première question à se poser

Deux grandes familles, et reconnaître laquelle on traite est la toute première décision d'un projet.

• Apprentissage supervisé : on dispose de la bonne réponse (la cible y) pour chaque exemple d'entraînement. Le modèle apprend en comparant ses prédictions aux vraies valeurs. Prédire les points (on connaît les points passés) est supervisé. C'est l'essentiel de ce parcours.
• Apprentissage non supervisé : il n'y a pas de cible. On cherche une structure cachée, par exemple regrouper les joueurs en archétypes sans savoir d'avance lesquels. On y viendra dans le parcours machine learning (ACP, clustering).

Une image pour fixer la distinction : le supervisé, c'est réviser avec le corrigé sous les yeux ; le non supervisé, c'est ranger une bibliothèque sans catalogue, en regroupant ce qui se ressemble.

Prédire ou comprendre

Même en supervisé, on peut viser deux choses différentes, et ça change la façon de travailler.

• la prédiction : obtenir une bonne estimation de y pour un nouveau cas, sans forcément expliquer pourquoi (« ce joueur marquera environ 20 points »).
• l'inférence : comprendre comment les variables influencent la cible (« chaque tir supplémentaire rapporte environ 1,4 point »).

Les deux sont légitimes. Un bookmaker veut prédire le plus juste possible, peu importe le mécanisme. Un directeur sportif veut souvent comprendre, parce qu'il doit justifier une décision et la transposer à d'autres joueurs.

Le réglage qui compte ici, et les diagnostics

Le « réglage » central de ce premier module n'est pas un hyperparamètre technique, c'est un choix de méthode : où mesure-t-on la qualité du modèle ? Si on mesure l'erreur sur les mêmes joueurs qui ont servi à l'apprentissage, on est juge et partie. Le modèle peut sembler excellent simplement parce qu'il a vu ces exemples.

Le bon réflexe, qu'on installe dès maintenant et qu'on creusera au module sur la généralisation : mettre de côté une partie des joueurs (l'ensemble de test), entraîner sur le reste (l'ensemble d'entraînement), puis mesurer l'erreur sur ces joueurs jamais vus. Si l'erreur sur le test est proche de l'erreur sur l'entraînement, le modèle généralise : il a appris la tendance, pas les exemples. Si l'erreur de test explose, il a mémorisé. C'est le diagnostic le plus important de tout l'apprentissage supervisé, et tu le verras en chiffres dans le code.

Les pièges à connaître dès le départ

• Confondre erreur d'entraînement et vraie performance. Un modèle quasi parfait sur ses propres données d'entraînement ne dit rien de sa valeur sur du nouveau. C'est le piège numéro un.
• Vouloir un ε nul. Une part d'imprévisible existe toujours. Un modèle qui colle à 100 % aux données a, presque sûrement, appris le bruit.
• Corrélation prise pour causalité. Beaucoup de tirs vont avec beaucoup de points, mais ce sont souvent les bons scoreurs à qui on confie le ballon. Le modèle capte une association, pas forcément une cause. On garde ça en tête avant toute conclusion.
• Mal poser la question. Prédire et comprendre ne se travaillent pas pareil. La moitié des erreurs d'analyse viennent d'une question floue, pas d'un mauvais modèle.

Le code

Toute la démarche part des données. Chaque ligne de player_season.csv est un joueur-saison : son nombre de tirs tentés par match (fga_pg), ses points par match (ppg), ses minutes (min_pg), son efficacité (ts_pct).

Chaque ligne est une observation. La colonne fga_pg sera notre variable explicative (X), ppg notre cible (y). On a la bonne réponse (les points) pour chaque joueur : on est donc en apprentissage supervisé.

Comparons d'abord une règle écrite à la main et un modèle appris, sur la même question. La règle naïve dit « 1 tir = 1 point ». Le modèle, lui, apprend la relation qui colle le mieux aux 413 joueurs.

La règle de bon sens se trompe en moyenne de 2,27 points. Le modèle appris tombe à 0,79 point d'erreur, et il a découvert tout seul qu'un tir vaut environ 1,36 point (les lancers francs et les paniers à 3 points expliquent le surplus). Personne n'a écrit ce 1,36 : c'est la valeur qui minimise l'erreur sur l'ensemble des joueurs.

Maintenant, voyons ce que « prédire » veut dire concrètement : estimer la cible pour des cas que le modèle traite comme nouveaux.

Plus de tirs, plus de points, de façon régulière. Un joueur à 15 tirs est estimé à 20,0 points. C'est ça, prédire : appliquer la tendance apprise à un X donné. Le modèle ne sera jamais parfait pour autant : deux joueurs réels à 15 tirs ne marquent pas pareil (voilà le ε). L'objectif n'est pas la perfection, mais une estimation fiable.

Visualisons tout ça. Le nuage, ce sont les joueurs réels ; la courbe rouge, la relation apprise f(X) ; le point noir, notre prédiction à 15 tirs.

Le modèle a capturé un f : la courbe suit clairement le nuage. Et l'écart vertical entre chaque point et la courbe, c'est le résidu, la part de ε que ce seul tir tenté ne suffit pas à expliquer.

Dernier point, le plus important pour la suite : un modèle ne se juge pas sur les joueurs qui ont servi à l'apprendre. On en met de côté pour le tester comme s'ils étaient nouveaux.

L'erreur sur le test (0,74 point) est aussi basse que sur l'entraînement (0,81 point). Le modèle généralise : il a appris la tendance, pas la liste des joueurs. Si l'erreur de test avait explosé, on aurait eu affaire à un modèle qui mémorise. Garde ce réflexe, c'est la colonne vertébrale de l'évaluation honnête qu'on construira au fil du parcours.

À toi de jouer

Reprends le code de la cellule 5, mais ajoute une deuxième variable explicative : les lancers francs par match. Remplace X = df[['fga_pg']] par X = df[['fga_pg', 'ft_pg']]. Garde random_state=42. Regarde si l'erreur de test descend sous les 0,74 point. À ton avis, pourquoi ajouter les lancers francs aide-t-il à prédire les points ? Tu verras qu'on passe sous 0,55 point : une information de plus, mieux choisie, vaut mieux qu'un modèle plus compliqué. C'est tout le programme des prochains modules.

Conclusion

Ce que tu as appris

• Tu sais ce qu'est l'apprentissage supervisé : apprendre une relation y ≈ f(X) à partir d'exemples avec leur bonne réponse, au lieu d'écrire les règles à la main.
• Tu connais le vocabulaire qui structure tout le parcours : observation, variable explicative (X), cible (y), modèle, résidu, et l'erreur irréductible ε.
• Tu as vu, en chiffres, qu'un modèle appris (0,79 point d'erreur) bat une règle de bon sens (2,27 points), et pourquoi.
• Tu distingues supervisé et non supervisé, prédiction et inférence.
• Tu as installé le réflexe clé : on juge un modèle sur des données jamais vues, pas sur celles de l'entraînement.

Ce que ça change pour le basket

Tout ce que font aujourd'hui les services d'analyse repose sur cette idée : apprendre une relation à partir de saisons passées pour estimer l'avenir. Projeter le développement d'un jeune, chiffrer la valeur d'un joueur en vue d'un transfert, anticiper un résultat. Comprendre la différence entre prédire et comprendre, c'est savoir quelle question on pose avant de sortir l'artillerie. Et savoir qu'on doit tester sur des joueurs jamais vus, c'est ce qui sépare une vraie projection d'une illusion qui s'effondre dès la saison suivante.

Ce qui vient ensuite

Un modèle ne lit pas une table brute : il lui faut des nombres bien préparés. Le prochain module, « Des variables à la cible », montre comment transformer des box scores et des attributs de joueur (poste, taille, poids) en une matrice X et un vecteur y qu'un modèle peut réellement digérer, avec l'encodage des catégories et la mise à l'échelle.