Apprentissage non supervisé

L'apprentissage supervisé apprend à prédire une variable connue, sinistre ou non, coût, fraude, à partir d'exemples étiquetés. L'apprentissage non supervisé travaille sans cible : il cherche des structures dans les données elles-mêmes. Ses principales familles sont le regroupement, qui forme des groupes d'observations semblables, par exemple par la méthode des k moyennes ou par classification hiérarchique ; la réduction de dimension, qui résume de nombreuses variables corrélées en quelques axes, comme l'analyse en composantes principales ; et la détection d'anomalies. En assurance, ces méthodes servent à des tâches où l'on ne sait pas encore ce qu'on cherche. Elles regroupent des communes ou des carreaux géographiques aux caractéristiques proches pour construire un zonier lissé, segmentent une clientèle selon ses comportements, identifient des familles de sinistres aux profils semblables, ou résument des centaines de variables externes avant de les intégrer à un tarif. Leur limite principale est l'interprétation : les groupes obtenus dépendent des variables et des paramètres choisis, n'ont pas de vérité objective, et doivent être validés par le sens métier avant de servir à une décision.