Dernière mise à jour :
L'ensemble d'hypothèses qu'un algorithme d'apprentissage utilise pour généraliser à partir de données observées vers de nouvelles instances.
Chaque modèle intègre des biais (par exemple, les hypothèses de lissage dans les méthodes à noyau ou la localité dans les KNN) qui orientent la généralisation. La prise en compte du biais inductif permet aux équipes de gouvernance de sélectionner les algorithmes adaptés au domaine et d'en anticiper les modes de défaillance. Elle détermine également le volume de données requis pour un apprentissage fiable et identifie les classes de modèles susceptibles de présenter des sous-performances systématiques sur certaines tâches.
Exemple concret :
Une équipe spécialisée dans les séries temporelles choisit un modèle autorégressif parce que son biais inductif suppose une continuité temporelle, s'adaptant ainsi mieux aux données de cours de bourse qu'un réseau de neurones à propagation avant. Elle documente ce choix dans sa justification de sélection de modèle pour de futurs audits et s'assure que le biais du modèle est conforme aux connaissances du domaine.
