🧠 Ne manquez pas ça ! Accédez GRATUITEMENT à ma communauté Skool — remplie de ressources, d'outils et de soutien pour vous aider avec les Données, l'Apprentissage Automatique et les Automatisations IA ! 📈
https://www.skool.com/data-and-ai-automations-4579Dans ce tutoriel complet, nous plongeons dans le monde de la validation des modèles en utilisant des techniques de validation croisée avec Python et Scikit-Learn. La validation croisée joue un rôle essentiel dans l'évaluation de la véritable performance des modèles d'apprentissage automatique, nous aidant à construire des solutions robustes et fiables.
📧 Email : ryannolandata@gmail.com
🍿 REGARDEZ ENSUITE
Apprenez à mettre en œuvre la validation croisée en Python en utilisant scikit-learn pour construire des modèles d'apprentissage automatique plus fiables. Dans ce tutoriel complet, je décompose les techniques de validation croisée du niveau débutant au niveau intermédiaire, vous montrant pourquoi une simple séparation train-test peut donner des résultats biaisés et comment la validation croisée résout ce problème.
Nous commençons par un exemple simple de séparation train-test qui démontre comment différents états aléatoires peuvent produire des scores de précision très différents (0,71 contre 0,80), soulignant les limites de cette approche. Ensuite, je vous guide à travers la mise en œuvre de la validation croisée de base avec cross_val_score, qui fournit plusieurs mesures de précision au lieu d'une seule, vous offrant une évaluation beaucoup plus fiable de la performance de votre modèle.
Tout au long de la vidéo, vous apprendrez à calculer des scores moyens et des écarts types pour mieux comprendre la cohérence de votre modèle. Je démontre comment définir la validation croisée K-Fold avec des paramètres personnalisés, y compris n_splits, des options de mélange et des états aléatoires pour des résultats reproductibles. Nous explorons également la validation K-Fold stratifiée, qui maintient les pourcentages de distribution des classes à travers les plis pour des tests plus équilibrés.
En bonus, je vous montre comment utiliser différentes métriques de score comme les scores F1 et de précision, et surtout, comment combiner la validation croisée avec les pipelines scikit-learn. Cette technique avancée vous permet de valider l'ensemble des flux de travail de prétraitement et de modélisation ensemble, ce qui est essentiel pour les projets d'apprentissage automatique dans le monde réel.
À la fin de ce tutoriel, vous comprendrez quand utiliser la validation croisée plutôt que de simples séparations train-test, comment interpréter plusieurs scores de validation, et comment intégrer ces techniques dans votre pipeline d'apprentissage automatique pour une évaluation de modèle plus robuste.
HORAIRES
00:00 Introduction à la Validation Croisée
01:12 Configuration des Données et Imports
03:19 Création des Variables X et Y
05:06 Exemple de Séparation Train Test
07:42 Modèle de Régression Logistique
09:42 Test avec Différents États Aléatoires
11:52 Score de Validation Croisée de Base
14:01 Définition de K-Fold
16:10 K-Fold Stratifié
19:13 Exemple de Pipeline avec Validation Croisée
22:02 Aperçu des Résultats et Récapitulatif
AUTRES RÉSEAUX SOCIAUX :
Qui est Ryan
Ryan est Data Scientist dans une entreprise fintech, où il se concentre sur la prévention de la fraude dans l'évaluation des risques. Avant cela, il a travaillé comme Analyste de Données dans une entreprise de logiciels fiscaux. Il est titulaire d'un diplôme en Génie Électrique de l'UCF.
Qui est Matt
Matt est le fondateur de Width.ai, une agence d'IA et d'Apprentissage Automatique. Avant de créer sa propre entreprise, il était Ingénieur en Apprentissage Automatique chez Capital One.
*Il s'agit d'un programme d'affiliation. Nous recevons une petite portion de la vente finale sans coût supplémentaire pour vous.