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