Apprentissage automatique : données et évaluation

Extrait de la fiche de révision

Plan du Cours

  1. Découpage des jeux de données
  2. Validation croisée
  3. Biais, variance et apprentissage
  4. Régularisation des modèles
  5. Métriques de régression
  6. Métriques de classification
  7. Sensibilité et spécificité
  8. Courbe ROC et mesure AUC
  9. Optimisation des hyperparamètres
  10. Prétraitement et valeurs manquantes
  11. Encodage des variables catégorielles
  12. Autres techniques de feature engineering

1. Découpage des jeux de données

Notions clés & Définitions

  • Jeu d’entraînement : Jason Brownlee - Échantillon de données utilisé pour ajuster le modèle, qui apprend à partir de ces données.
  • Jeu de validation : Jason Brownlee - Le jeu de validation sert à évaluer fréquemment un modèle entraîné et à régler ses hyperparamètres, ce qui influence indirectement sa configuration.
  • Jeu de test : Jason Brownlee - Le jeu de test fournit une évaluation non biaisée du modèle final entraîné et sert généralement à comparer les modèles.
Lire la fiche complète →

Aperçu du QCM

1. Un modèle obtient d’excellents résultats lorsqu’il est évalué sur les mêmes exemples que ceux utilisés pour son entraînement. Quelle conclusion cette évaluation permet-elle de tirer sur sa capacité à généraliser ?

2. Pendant le développement d’un modèle, une équipe consulte régulièrement les performances sur un échantillon réservé afin d’ajuster les hyperparamètres. Quel rôle joue cet échantillon ?

3. Un jeu de données est réparti en cinq plis pour une validation croisée K-fold. Combien de fois chaque exemple est-il utilisé pour entraîner le modèle et combien de fois sert-il à la validation ?

Faire le QCM (11 questions) →

Aperçu des flashcards

Pourquoi tester un modèle uniquement sur ses données d’entraînement est-il insuffisant ?

Cela ne révèle pas s’il généralise ou s’il mémorise les données.

À quoi sert le jeu d’entraînement, selon Jason Brownlee ?

Il sert à ajuster le modèle, qui apprend à partir de ces données.

Comment la validation croisée K-fold répartit-elle les rôles des plis entre les répétitions ?

Chaque pli sert une fois à la validation, tandis que les autres servent à l’entraînement.

Quelles valeurs de k sont généralement privilégiées en validation croisée ?

5 ou 10, sans être obligatoires.

Qu’est-ce que le surapprentissage et à quel défaut est-il associé ?

Un ajustement excessif aux données d’entraînement, associé à une variance élevée.

À quel défaut des erreurs d’entraînement et de test élevées et proches correspondent-elles ?

À un biais élevé.

Voir toutes les 10 flashcards →

Questions fréquentes

Que contient la fiche de révision sur Apprentissage automatique : données et évaluation ?

La fiche de révision couvre les notions essentielles de Apprentissage automatique : données et évaluation. Elle est structurée par thématiques pour faciliter l'apprentissage et la mémorisation, avec des définitions clés, des explications et des synthèses.

Lire la fiche complète →

Combien de questions contient le QCM sur Apprentissage automatique : données et évaluation ?

Le QCM contient 11 questions à choix multiples avec corrections détaillées et explications pour chaque réponse. Idéal pour tester tes connaissances et identifier tes lacunes.

Faire le QCM (11 questions) →

Comment réviser Apprentissage automatique : données et évaluation avec les flashcards ?

Revizly propose 10 flashcards interactives sur Apprentissage automatique : données et évaluation. Chaque carte présente une question au recto et la réponse au verso, permettant une révision active et efficace basée sur la répétition espacée.

Voir toutes les 10 flashcards →

Cours similaires

Crée tes propres fiches depuis tes cours

Importe ton PDF ou colle ton cours, l'IA génère fiches, QCM et flashcards en 30 secondes.