Annonce : Nouveau livre de Luis Serrano ! Grokking Machine Learning. bit.ly/grokkingML
Code de réduction de 40 % : serranoyt
Un voyage amical dans le processus d'évaluation et d'amélioration des modèles d'apprentissage automatique.
- Entraînement, Test
- Métriques d'évaluation : Précision, Précision, Rappel, Score F1
- Types d'erreurs : Surapprentissage et Sous-apprentissage
- Validation croisée et Validation croisée K-fold
- Graphiques d'évaluation de modèle
- Recherche par grille
Pour une implémentation de code, consultez ce dépôt :
0:00 Introduction
0:37 Quel modèle est meilleur
1:31 Pourquoi tester ?
3:27 Règle d'or n° 1
4:21 Comment ne pas 'perdre' les données d'entraînement ?
4:38 Validation croisée K-Fold
5:20 Randomisation dans la validation croisée
5:38 Métriques d'évaluation
7:53 Modèle médical
8:05 Modèle de classification de spam
9:25 Diagnostic de matrice de confusion
11:50 Précision
19:47 Précision et Rappel
20:54 Fraude par carte de crédit
22:36 Moyenne harmonique
24:08 Score F1
27:16 Types d'erreurs
27:56 Classification
30:03 Erreur due à la variance (surapprentissage)
30:18 Erreur due au biais (sous-apprentissage)
31:45 Compromis
37:55 Solution : Test de validation croisée
39:16 Entraînement d'un modèle de régression logistique
40:04 Entraînement d'un arbre de décision
40:49 Entraînement d'une machine à vecteurs de support
41:14 Validation croisée par recherche par grille
41:59 Paramètres et hyperparamètres
42:56 Comment résoudre un problème
43:20 Comment utiliser l'apprentissage automatique
44:04 Merci !