La validation croisée en apprentissage automatique est un bon moyen d'évaluer un modèle. La fonction cross_val_score() est utilisée pour obtenir la validation croisée du modèle. À chaque itération, le code crée un clone du classificateur, entraîne ce clone sur les ensembles d'entraînement et fait des prédictions sur l'ensemble de test. Ensuite, il compte le nombre de prédictions correctes et affiche le ratio de prédictions correctes. N'oubliez pas que la validation croisée K-fold signifie diviser l'ensemble d'entraînement en K plis (dans ce cas, trois). Ensuite, on fait des prédictions et on les évalue sur chaque pli en utilisant un modèle sur les plis restants.
La matrice de confusion en apprentissage automatique est la matrice de contingence carrée où les lignes et les colonnes correspondent à une liste de classes. Elle est utilisée pour évaluer la précision de la classification. Parfois, elle est appelée matrice d'erreur. Par définition, l'entrée x et y dans la matrice de confusion est le nombre d'observations réellement dans le groupe x, mais prédites comme étant dans le groupe y.
#apprentissageautomatique #validationcroisée #matricedeconfusion