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 297 fois
Modifier
1
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
Questions similairesPlus de questions sur Machine Learning
13
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?8
Comment gérer les données manquantes dans un jeu de données d'apprentissage donné ?6
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.6
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.4
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.