DataCamp Premium à -50 %.Plus de 700 cours, à moitié prix. Commencez à apprendre dès aujourd’hui.
Description du cours
Les modèles de Machine Learning sont plus simples à mettre en œuvre que jamais. Sans une validation correcte, les résultats obtenus en faisant passer de nouvelles données dans un modèle peuvent être moins précis que prévu. La validation de modèle permet aux analystes de répondre avec confiance à la question : quelle est la qualité de votre modèle ? Nous y répondrons pour des modèles de classification à l’aide de l’ensemble complet des scénarios de fin de partie du morpion (tic-tac-toe), et pour des modèles de régression à partir du jeu de données « ultimate Halloween candy power ranking » de fivethirtyeight. Dans ce cours, nous verrons les bases de la validation de modèles, passerons en revue différentes techniques de validation et commencerons à développer des outils pour créer des modèles validés et performants.
Prérequis
Programme de formation
Plan du cours
1
Modélisation de base avec scikit-learn
Avant de pouvoir valider des modèles, nous devons comprendre comment les créer et les utiliser. Ce chapitre propose une introduction à l’exécution de modèles de régression et de classification avec scikit-learn. Nous nous appuierons sur ces bases de construction de modèles dans les chapitres suivants.
- Introduction à la validation de modèles50 XP
- Étapes de modélisation50 XP
- Données vues vs non vues100 XP
- Modèles de régression50 XP
- Définir des paramètres et ajuster un modèle100 XP
- Importances des variables100 XP
- Modèles de classification50 XP
- Prédictions de classification100 XP
- Réutiliser les paramètres du modèle100 XP
- Classificateur par forêts aléatoires100 XP
2
Principes de la validation
Ce chapitre se concentre sur les bases de la validation de modèles. Du découpage des données en jeux d’entraînement, de validation et de test, jusqu’à la compréhension du compromis biais‑variance, nous posons les fondations des techniques de validation K‑Fold et Leave‑One‑Out mises en pratique au chapitre trois.
3
Validation croisée
Les jeux de validation séparés (holdout) sont un excellent point de départ pour valider un modèle. Cependant, utiliser un seul jeu d’entraînement et de test est souvent insuffisant. La validation croisée est considérée comme la référence pour évaluer les performances d’un modèle et elle est presque toujours utilisée lors du réglage des hyperparamètres. Ce chapitre se concentre sur la mise en œuvre de la validation croisée pour valider les performances du modèle.
4
Sélectionner le meilleur modèle avec l’optimisation d’hyperparamètres.
Les trois premiers chapitres étaient consacrés aux techniques de validation de modèles. Dans le chapitre 4, nous appliquons ces techniques, en particulier la validation croisée, tout en apprenant l’optimisation des hyperparamètres. Après tout, la validation rend le réglage possible et nous aide à sélectionner le meilleur modèle au global.
Validation des modèles en Python
Cours
terminé
