Table des matières
Comment Evaluer un modèle Machine Learning?
La validation croisée permet donc d’évaluer un modèle de machine learning en ayant la moyenne des performances et l’erreur type sur chacun des folds ou en évaluant les prédictions faites sur l’ensemble des données. Pour des raisons de temps de calcul, on utilise généralement cinq ou dix folds.
Comment déployer un modèle Machine Learning?
Le processus de déploiement de modèles de Machine Learning requiert plusieurs entrées : Un accès à l’ensemble des données brutes nécessaires à l’entraînement du modèle. Un script d’entraînement développé par des Data Scientists. Une plateforme pour réaliser l’entraînement de modèles (On-premise ou Cloud)
Quelle est la performance d’un modèle de classification?
La performance d’un modèle de classification dépend directement de la métrique utilisée pour l’évaluer. Pour chaque tâche, la métrique d’évaluation est différente. Il est important d’employer une métrique qui capte le mieux les exigences du problème.
Quels sont les algorithmes pour améliorer vos performances?
Vous pouvez prendre des algorithmes plus complexes pour améliorer vos performances. Vous avons pris l’exemple de la régression linéaire qui est un des plus simples. Vous avez les arbres de décisions qui peuvent être beaucoup plus performants, ou encore bien au dessus, les réseaux de neurones.
Comment trouver une idée adaptée à votre problème?
Il vous suffit d’une bonne idée, qui est bien adaptée à votre problème à résoudre, pour obtenir une augmentation de vos performances. Le principe est de trouver une idée à partir de la liste, de l’appliquer et faire des progrès sur votre modèle, puis y revenir et trouver une autre idée pour continuer.
Pourquoi le développement d’un modèle prédictif?
Le développement d’un modèle prédictif est un processus itératif, il faut parfois essayer plusieurs algorithmes avant de trouver celui qui marche le mieux. Il est important d’utiliser une méthode de rééchantillonnage qui permet d’exploiter au mieux les données disponibles.