Machine Learning : Comment BIEN mesurer la performance de son modèle ?

Описание: 📝 AMELIOREZ VOS COMPETENCES EN DATA SCIENCE : https://damienchambon.podia.com/email...

Machine Learning : Comment mesurer la performance de son modèle ?

00:00 Introduction
01:07 Performance d'un modèle de Machine Learning
03:07 Les mesures de performance en régression
04:58 Les mesures de performance en régression
05:54 Comment évaluer la performance obtenue en régression ?
08:39 Comment évaluer la performance obtenue en classification ?

Une fois son projet de Machine Learning terminé, on calcule la performance de son modèle de Machine Learning. On est vite tenté d’être satisfait de la performance de son algorithme mais comment peut-on en être sûr ? Comment sait-on si notre modèle de Machine Learning est optimal ou non ? Réponse dans cette vidéo sur le Machine Learning en français.

Tout d’abord, il est important d’évaluer la performance de son modèle de Machine Learning. Cela permet de savoir si notre travail de Data Scientist s’est bien déroulé. On teste notre algorithme sur des données qu’il n’a jamais vu afin de prévenir tout problème lié à l’overfitting, un problème courant en Machine Learning.

On évalue sa performance grâce à des mesures de performance comme le MSE ou le RMSE pour la régression en Machine Learning. En classification, on utilise plutôt la précision et le rappel. Mais comment savoir si le score obtenu avec le RMSE ou la précision est suffisant ?

On va devoir utiliser des méthodes selon la tâche sur laquelle on travaille. Si on fait de la régression en Machine Learning, il faut utiliser un rapport qui consiste à diviser la performance du RMSE par exemple par la moyenne de la variable étudiée chez les données de test. Plus ce rapport est proche de 0, mieux c’est.

Concernant la classification en Machine Learning, il est préférable d’utiliser un modèle naïf. Un modèle naïf en Machine Learning est un modèle qui prédit soit toujours la même classe, soit fait des prédictions au hasard. Il est important de confronter la performance de notre modèle face à ces deux variantes de modèle naïf afin de voir si notre algorithme performe bien mieux que ceux-ci.

👋🏼 Qui suis-je ?

Je m'appelle Damien et je suis Data Scientist. Au cours de mes expériences professionnelles, j'ai découvert à quel point la Data Science peut être un puissant outil lorsqu'on la maîtrise.

Grâce à mes formations en Data Science, des dizaines d'étudiants ont gagné en compétences techniques et peuvent ainsi répondre plus efficacement aux enjeux actuels.

💻 Mon site : https://damienchambon.podia.com

Crédit musique : idealisme - seeing you