Explications pratiques des modèles mathématiques : surapprentissage, évaluation de la qualité, vérifications et limites des conclusions.
Confrontez les conclusions du modèle aux conditions du problème et à la méthode d’évaluation. Les explications et vérifications aident à repérer le surapprentissage et les résultats peu fiables.
Guide pratique pour choisir des métriques orientées précision, analyser les seuils et décomposer la matrice de confusion dans scikit-learn pour minimiser les taux de faux positifs.
Un guide pratique pour sélectionner un seuil de décision en pondérant les coûts des faux positifs et des faux négatifs, en utilisant un jeu de validation tenu de côté et les matrices de confusion de scikit-learn.
Comprenez les différences entre l'Erreur Absolue Moyenne (MAE) et l'Erreur Quadratique Moyenne (RMSE), comment choisir la bonne métrique pour votre tâche de prédiction et l'impact des grandes erreurs sur chacune.
Les intervalles de prédiction visent à contenir des observations individuelles futures, tandis que les intervalles de confiance ciblent une moyenne ou un autre paramètre, et les deux ne sont pas interchangeables. La couverture empirique est la fraction tenue de côté à l'intérieur de l'intervalle et la largeur est la distance entre les limites de quantile ; un exemple construit à cinq valeurs donne 80 pour cent de couverture et une largeur moyenne de 1,8.
Découvrez pourquoi des groupes de tailles différentes donnent une moyenne combinée de 18 plutôt que 15, avec un exemple Python court.
Comparer entraînement et validation, apprendre le prétraitement dans un pipeline et préserver un test final indépendant.
Construire une référence basée sur la saison précédente, l'évaluer sur des observations ultérieures et distinguer l'alignement calendaire des fuites d'information et des données manquantes.
Découper chronologiquement et apprendre les transformations sur le passé.