Français
Menu

Bases de l'apprentissage automatique

Lorsque les données sont divisées en trois ensembles (apprentissage, validation et test), quelle est l'utilisation principale des données de validation ?

  1. ARégler les hyperparamètres et comparer plusieurs modèles
  2. BCalculer l'erreur servant à mettre à jour les poids du modèle
  3. CLes utiliser une seule fois à la fin du développement pour estimer les performances du modèle terminé
Afficher la réponse et l'explication

Réponse : A. Régler les hyperparamètres et comparer plusieurs modèles

Les données d'apprentissage servent à déterminer les poids du modèle, et les données de validation à régler les hyperparamètres, comme le taux d'apprentissage ou le nombre de couches, ou à comparer les modèles pour choisir celui à adopter. Les données de test ne sont utilisées qu'une seule fois, une fois tous ces réglages terminés, pour estimer les performances sur des données inconnues. Si l'on règle le modèle à de nombreuses reprises en regardant les résultats sur les données de validation, il finit par s'ajuster aussi à ces données ; l'évaluation finale exige donc des données de test mises de côté séparément.

S'entraîner sur ce thème Retour au thème

Autres questions sur Bases de l'apprentissage automatique

  1. Si l'on effectue une validation croisée à 5 blocs (validation croisée à k blocs avec k = 5) sur 1000 données, combien de données sont utilisées pour chaque apprentissage ?
  2. Quelle observation est caractéristique d'un surapprentissage (surajustement) ?
  3. Quelle affirmation est correcte lorsque l'on décompose l'erreur d'un modèle en biais et en variance (dispersion) ?
  4. Quelle description des techniques destinées à limiter le surapprentissage, comme la régularisation, est correcte ?
  5. Parmi les procédures suivantes de construction d'un modèle d'apprentissage automatique, laquelle provoque une fuite de données (data leakage, des informations des données d'évaluation qui se glissent dans l'apprentissage) ?