Accueil>Tests>Questions>La validation croisée est une technique utilisée pour évaluer les modèles ML ou DL (deep learning). La méthode consiste à entraîner plusieurs modèles sur des sous-ensembles des données d'entrée et à les évaluer sur le sous-ensemble complémentaire de ces mêmes données. Elle vise à éviter le surapprentissage.
Question du test Machine learning - Les bases
La validation croisée est une technique utilisée pour évaluer les modèles ML ou DL (deep learning). La méthode consiste à entraîner plusieurs modèles sur des sous-ensembles des données d'entrée et à les évaluer sur le sous-ensemble complémentaire de ces mêmes données. Elle vise à éviter le surapprentissage.
Facile
Le/la/l’ _____ est une technique d’évaluation des modèles ML ou DL (deep learning). Cette méthode consiste en la création de différents jeux de données d'entraînement et d’évaluation à partir d’un même jeu de données initial (en d’autres terme, on “coupe” le jeu en de nombreux sous-jeux). Elle vise à éviter le phénomène de “overfitting”. Quel est le nom de cette méthode?
Auteur: MartinStatut : PubliéeQuestion passée 434 fois
Modifier
2
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
21
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?8
Quelles sont les différences/similarités entre une fonction de perte, une fonction d'erreur et une fonction de coût?12
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?7
Qu'est-ce que l'apprentissage par ensemble ? Il consiste à …11
Le jeu de validation est utilisé pour fournir des évaluations fréquentes et non biaisées de l'ajustement du modèle sur le jeu d'entraînement tout en ajustant ses hyperparamètres/paramètres: en d'autres termes, le modèle est trouvé et ensuite testé sur le jeu de validation avant d'être amélioré une fois de plus.7
Quel est le mot manquant dans la phrase suivante : Overfitting est la production d'un modèle qui correspond trop étroitement à l'ensemble de données d'apprentissage et peut donc ne pas s'adapter à d'autres ensembles de données et donc ne pas effectuer de prévision fiable.7
Clustering est un processus d'apprentissage automatique non supervisé qui vise à découvrir automatiquement des regroupements naturels dans les données d'entrée. Lorsque cette méthode est utilisée, le développeur peut choisir le nombre de groupes qu'il souhaite créer.