Validation croisée pour évaluer l’efficacité d’un modèle en machine learning | Cycle avancé IA #11

Ce cours présente la technique de la validation croisée (K-fold cross-validation), incontournable en machine learning. La validation croisée s’utilise dans plusieurs situations. Elle peut aider à détecter un surapprentissage dans un modèle. On l’utilise également pour estimer la performance moyenne du modèle. En plus, elle sert à calibrer le modèle en ajustant ses hyperparamètres, par exemple, le coefficient de régularisation.
Intervenant : Ekaterina Flin, ingénieur en informatique, groupe EpiMed, Institut pour l’Avancée des Biosciences (IAB), Université Grenoble Alpes (UGA)
#machine_learning #cross_validation #k_fold
Table des matières
00:00 Exemple d’introduction
01:49 Le surapprentissage
03:02 Quand utiliser la validation croisée ?
03:30 Le principe de la validation croisée
05:31 Exemple de la validation croisée
06:56 Analyse des performances
08:01 Validation croisée K-fold
08:43 Validation croisée stratifiée
09:11 Annonce d’un TP avec Python et scikit-learn

[@philtoa334]

Excellent c est d une limpidité incroyable merci.

[@bricendeng9950]

Merci pour vos explications

[@seydoutoguiyen5178]

Trop cool et super bien claire .
La validation croisée pour les nuls

[@epimedopencourse]

Merci :)

[@salabiakoumarland4371]

Ekaterina Flin, encore une fois merci. La qualité, toujours au rendez-vous !

[@epimedopencourse]

Merci

[@Enkumnu]

Super court. Merci.

[@mohamedbahaj907]

I thank you so much. You describe everything in an accurate and innovative manner.