Qu'est-ce que l'incertitude aléatoire et épistémique?

L’incertitude aléatoire et l’incertitude épistémique sont deux types d’incertitude en apprentissage automatique et en statistique.

• Incertitude aléatoire (stochastique, incertitude interne) — liée au bruit et à la randomisation dans les données. Elle reflète la variabilité qui ne peut être éliminée même avec une quantité infinie de données. Par exemple, des mesures avec erreurs ou des facteurs imprévisibles.

• Incertitude épistémique (connaissance, incertitude du savoir) — liée à un manque de connaissances du modèle sur les données ou le processus. Elle apparaît en raison d’un volume limité de données ou d’un modèle incomplet et peut être réduite en collectant des données supplémentaires ou en améliorant le modèle.

Exemple :

• Dans un problème de régression, l’incertitude aléatoire se manifeste par une dispersion des valeurs autour de la fonction réelle.
• L’incertitude épistémique est élevée dans les zones de l’espace de caractéristiques où peu d’exemples d’entraînement sont présents.

Dans les modèles bayésiens et les processus gaussiens, ces incertitudes sont modélisées séparément, ce qui permet d’évaluer plus précisément la fiabilité des prédictions et de prendre des décisions dans des conditions d’incertitude.