Cours
Analyse exploratoire des données en Python
4 h
115.9K
Vous êtes-vous déjà demandé pourquoi le ratio cours/bénéfice moyen de votre portefeuille paraît anormalement élevé lorsque vous utilisez une simple moyenne ? Ou pourquoi la combinaison de résistances en parallèle dans un circuit électrique nécessite un type de moyenne particulier ? Ces situations illustrent l'importance de comprendre la moyenne harmonique : un outil statistique puissant, particulièrement utile lorsqu'il s'agit de taux, de ratios et de relations réciproques.
Dans ce tutoriel, nous allons découvrir la moyenne harmonique, ses applications et pourquoi elle constitue parfois un meilleur choix que d'autres types de moyennes. Nous verrons comment elle est utilisée dans divers domaines, de la finance à la physique, ainsi que son importance croissante en data science et en apprentissage automatique. Si vous envisagez une carrière dans ce domaine, notre parcours Machine Learning Scientist in Python couvre en profondeur ces notions statistiques essentielles et bien d'autres.
Qu'est-ce que la moyenne harmonique ?
La moyenne harmonique est un type de moyenne particulièrement pertinent lorsqu'on travaille avec des taux ou des ratios. Contrairement à la moyenne arithmétique, qui additionne les nombres puis divise par leur effectif, ou à la moyenne géométrique, adaptée aux relations multiplicatives, la moyenne harmonique est conçue pour les situations où l'on traite des relations réciproques.
Pour un ensemble de valeurs, la moyenne harmonique se calcule en :
- prenant l'inverse de chaque valeur ;
- calculant la moyenne arithmétique de ces inverses ;
- prenant l'inverse du résultat.
Quand utiliser la moyenne harmonique
La moyenne harmonique est utile dans de nombreux cas d'usage, tous secteurs confondus. Nous les avons évoqués en introduction : regardons de près les domaines où cette mesure statistique s'avère particulièrement précieuse.
Analyse financière
En finance, la moyenne harmonique permet de calculer des métriques de portefeuille plus fidèles. Elle est notamment très pertinente pour les ratios cours/bénéfice (C/B ou P/E), où elle décrit mieux la valorisation d'ensemble qu'une moyenne simple. Les analystes l'emploient aussi pour d'autres ratios et taux financiers, ainsi que pour lisser les coûts dans des contextes de tarification dynamique où les taux fluctuent dans le temps.
Physique et ingénierie
Ingénieurs et physicien·ne·s recourent fréquemment à la moyenne harmonique. Elle est souvent utilisée pour calculer la résistance totale de circuits parallèles, lorsque l'on combine des résistances. En acoustique, elle aide à analyser les fréquences des ondes sonores, et en optique, elle intervient pour les combinaisons de lentilles, où les relations réciproques sont courantes.
Data science
La data science utilise largement la moyenne harmonique, notamment en apprentissage automatique. Elle est à la base du F1-score, qui équilibre la précision et le rappel dans les problèmes de classification. Les data scientists l'emploient aussi pour évaluer des métriques de performance sur des jeux de données déséquilibrés et dans le filtrage collaboratif des moteurs de recommandation, lorsqu'il faut combiner différents types de mesures de similarité.
Applications générales
Au-delà des usages spécialisés, la moyenne harmonique sert dans des calculs du quotidien. Elle est la bonne option pour calculer des vitesses moyennes sur des distances fixes, déterminer des cadences de production en industrie, ou mesurer des débits de transfert réseau impliquant des relations réciproques. Dans ces cas, elle fournit des résultats plus justes qu'une moyenne arithmétique.
Comment calculer la moyenne harmonique
Décomposons le calcul en étapes claires, avec des exemples.
La formule de la moyenne harmonique
La moyenne harmonique (H) de n valeurs se calcule ainsi :
où x₁, x₂, ..., xₙ sont les valeurs de votre jeu de données.
Exemple pas à pas
Calculons la moyenne harmonique de trois nombres : 2, 4 et 8.
- Prenez l'inverse de chaque valeur : 1/2 = 0,5. 1/4 = 0,25. 1/8 = 0,125
- Additionnez ces inverses : 0,5 + 0,25 + 0,125 = 0,875
- Divisez l'effectif (3) par cette somme : 3 / 0,875 = 3,429
La moyenne harmonique de 2, 4 et 8 est d'environ 3,429.
Moyenne harmonique pondérée
Il arrive que toutes les valeurs ne doivent pas avoir la même importance dans votre calcul. La moyenne harmonique pondérée répond à ce besoin en vous permettant d'attribuer des poids différents aux valeurs.
Formule de la moyenne harmonique pondérée
Pour des valeurs x₁, x₂, ..., xₙ avec des poids correspondants w₁, w₂, ..., wₙ :
C'est particulièrement utile pour :
- l'analyse de portefeuille lorsque les montants investis diffèrent ;
- des indicateurs de qualité où certaines mesures comptent davantage ;
- des scores de satisfaction client où certains facteurs pèsent plus lourd.
La moyenne harmonique en data science et en apprentissage automatique
La moyenne harmonique connaît de nombreuses applications en data science et en apprentissage automatique modernes.
Calcul du F1-score
Le F1-score, comme indiqué, est une métrique phare en apprentissage automatique. Il s'agit de la moyenne harmonique de la précision et du rappel :
Cela garantit que la précision et le rappel doivent être tous deux suffisamment élevés pour obtenir un bon F1-score, car la moyenne harmonique pénalise fortement les déséquilibres extrêmes entre ces deux métriques. Pour mieux comprendre comment visualiser et interpréter ces mesures, consultez notre tutoriel détaillé Precision-Recall Curve in Python, avec exemples pratiques et implémentations concrètes.
Validation croisée
Lors de l'évaluation des performances d'un modèle sur différents plis :
- la moyenne harmonique des métriques de performance garantit qu'une mauvaise performance sur un pli est correctement prise en compte ;
- elle est particulièrement utile avec des jeux de données déséquilibrés ;
- elle aide à identifier les modèles constants sur des découpages de données différents.
Pour une vue d'ensemble approfondie des techniques de validation, explorez notre Guide to K-Fold Cross Validation, qui couvre des stratégies avancées pour une évaluation robuste des modèles.
Systèmes de recommandation
Dans le filtrage collaboratif et les systèmes de recommandation, la moyenne harmonique permet de proposer des suggestions équilibrées et pertinentes pour l'utilisateur. Lors de la conception de ces systèmes, les data scientists doivent souvent combiner différentes mesures de similarité : comportements des utilisateurs, caractéristiques des objets et interactions historiques. La moyenne harmonique aide à les équilibrer, en évitant qu'une seule dimension ne domine les recommandations.
Par exemple, pour pondérer les préférences d'un utilisateur, un moteur de recommandation de films pourrait devoir concilier ses goûts par genre avec son historique de notes et ses durées de visionnage. La moyenne harmonique contribue aussi à résoudre le « trade-off diversité‑pertinence » en évitant des recommandations trop étroites ou trop dispersées. C'est particulièrement précieux en e-commerce et sur les plateformes de streaming, où l'engagement repose sur un équilibre fin entre proximité et nouveauté.
Moyenne harmonique vs autres moyennes
Voyons comment la moyenne harmonique se compare aux autres types de moyennes, et dans quels scénarios chacune s'applique le mieux.
| Comparaison | Moyenne arithmétique | Moyenne harmonique | Moyenne géométrique |
|---|---|---|---|
| Meilleur cas d'usage | Moyenne simple, adaptée aux relations additives | Idéale pour les taux et les ratios | Idéale pour les taux de croissance et les ratios |
| Exemple | Température moyenne quotidienne | Coût moyen par unité | Rendements d'investissement dans le temps |
| Limitation clé | Peut mal représenter des données très variables | Ne s'applique pas si une valeur du jeu de données est nulle | Ne gère pas les valeurs négatives ou nulles |
| Adéquation à la distribution | Adaptée aux données normalement distribuées | Adaptée aux jeux de données à proportionnalité inverse | Adaptée aux données log-normales ou asymétriques |
Pour approfondir le fonctionnement des autres moyennes, consultez mes tutoriels sur la moyenne arithmétique et la moyenne géométrique.
Points clés à considérer avec la moyenne harmonique
Exemple : gérer des valeurs extrêmes
Imaginons une ou un gérant de fonds qui analyse trois actions avec des montants investis égaux mais des bénéfices très différents :
- Action A : investissement 100 $, bénéfices 2 $, ratio C/B = 50 (forte valorisation)
- Action B : investissement 100 $, bénéfices 10 $, ratio C/B = 10 (valorisation modérée)
- Action C : investissement 100 $, bénéfices 25 $, ratio C/B = 4 (faible valorisation)
Comparons la façon dont différentes moyennes traitent ces ratios C/B très dispersés :
- Moyenne arithmétique : (50 + 10 + 4) / 3 ≈ 21,33 C/B
- Moyenne harmonique : 3 / (1/50 + 1/10 + 1/4) ≈ 8,11 C/B
Pour vérifier le vrai ratio C/B du portefeuille :
- Investissement total : 300 $ (100 $ × 3)
- Bénéfices totaux : 37 $ (2 $ + 10 $ + 25 $)
- Ratio C/B réel du portefeuille : 300 $/37 ≈ 8,11
La moyenne arithmétique de 21,33 est fortement biaisée par le ratio C/B extrême de l'action A (50), suggérant une valorisation moyenne bien plus élevée que la réalité. La moyenne harmonique, d'environ 8,11, fournit le bon ratio C/B du portefeuille, car elle accorde naturellement moins de poids à la valeur très élevée et reflète mieux la capacité bénéficiaire réelle des investissements combinés.
Avantages de la moyenne harmonique
- Idéale pour les calculs basés sur des taux
- Moins sensible aux valeurs extrêmes élevées
- Fournit des moyennes justes pour les relations réciproques
Limites de la moyenne harmonique
- Ne gère pas les valeurs nulles
- Plus sensible aux petites valeurs
- Peut paraître moins intuitive pour un public non technique
Conclusion : pourquoi la moyenne harmonique compte
La moyenne harmonique est un outil essentiel, particulièrement précieux lorsqu'on travaille avec des taux, des ratios et des relations réciproques. Même si elle est moins répandue que la moyenne arithmétique, savoir quand et comment l'utiliser permet d'obtenir des analyses plus justes et de meilleures décisions.
Que vous évaluiez des portefeuilles d'investissement, analysiez des modèles de machine learning ou résolviez des problèmes de physique, la moyenne harmonique révèle des insights que d'autres moyennes peuvent manquer. En comprenant ses propriétés et ses usages, vous choisissez la moyenne la plus adaptée à vos besoins et évitez les écueils fréquents en analyse de données. Inscrivez-vous à notre parcours Machine Learning Scientist in Python pour continuer à progresser.
Devenez un scientifique ML
Améliorez vos connaissances en Python pour devenir un scientifique spécialisé dans l'apprentissage automatique.