Défis de l'apprentissage automatique

L'ensemble des opérations qui permettent de préparer les données pour l'apprentissage automatique. Cela peut inclure la normalisation, l'imputation des valeurs manquantes et l'encodage des variables catégorielles.

Une mesure de l'exactitude d'un modèle de classification qui prend en compte la précision et le rappel. Elle est calculée comme la moyenne harmonique de la précision et du rappel.

Une métrique d'évaluation qui mesure la capacité d'un modèle à distinguer les classes positives des classes négatives. Elle est représentée par une courbe qui trace le taux de vrais positifs (TPR) en fonction du taux de faux positifs (FPR) pour différents seuils.

Une métrique d'évaluation qui mesure la proportion de prédictions correctes. Elle est calculée en divisant le nombre de prédictions correctes par le nombre total de prédictions.

Une table qui résume les résultats d'un modèle de classification. Elle montre le nombre de vrais positifs, vrais négatifs, faux positifs et faux négatifs.

Une métrique d'évaluation qui mesure la proportion de prédictions positives qui sont effectivement correctes. Elle est calculée en divisant le nombre de vrais positifs par la somme des vrais positifs et des faux positifs.

Une métrique d'évaluation qui mesure la proportion de vrais positifs parmi tous les positifs réels. Elle est calculée en divisant le nombre de vrais positifs par la somme des vrais positifs et des faux négatifs.

Un type de problème d'apprentissage automatique où la tâche consiste à prédire une valeur numérique. Exemple: prédire le prix d'une maison.

Un type de problème d'apprentissage automatique où la tâche consiste à classer une entrée dans l'une des classes prédefinies. Exemple: classifier un email comme spam ou non.

Lorsque des informations provenant de l'ensemble de test sont accidentellement introduites dans l'ensemble d'apprentissage, ce qui peut biaiser les résultats du modèle.

Les défis de l'apprentissage automatique englobent le choix du bon algorithme et l'entraînement avec les données appropriées. La qualité des données et l'algorithme choisi sont les deux facteurs clés déterminant la performance du modèle.

Ce biais se produit lorsque les données d'apprentissage ne représentent pas fidèlement la population cible. Le modèle apprend des tendances spécifiques aux données d'entraînement, mais ne généralise pas bien à de nouveaux exemples.

La variance mesure la sensibilité du modèle aux fluctuations dans les données d'entraînement. Un modèle à variance élevée est très sensible au bruit dans les données, ce qui peut entraîner une mauvaise généralisation.

Une situation où le modèle ne peut pas apprendre les relations complexes dans les données. Cela se produit lorsque le modèle est trop simple pour capturer les informations pertinentes.

Un modèle qui apprend trop de détails des données d'entraînement, ce qui le rend trop sensible et incapable de généraliser à de nouvelles données. Il capture trop de bruit dans les données.

Lorsque les données du test sont présentes dans les données d'entraînement, le modèle peut apprendre ces données par cœur et sembler performant sur le test, sans réellement apprendre des relations significatives.

La fonction de coût, également appelée fonction de perte, mesure l'erreur prédite par le modèle. Plus la valeur de la fonction de coût est élevée, plus l'erreur est importante.

Méthodes qui aident à réduire l'overfitting en ajoutant une pénalité aux paramètres du modèle. Plus le modèle est complexe, plus la pénalité est élevée, ce qui encourage le modèle à simplifier.

La pré-traitement des données est une étape importante de la préparation des données avant l'entraînement du modèle. Normalisation, imputation de valeurs manquantes et encodage de variables catégorielles sont souvent utilisés.

C'est le processus de création et transformation de nouvelles variables à partir des données existantes, afin d'améliorer la performance du modèle. Ce processus est essentiel pour capturer des relations significatives dans les données.