Français
Menu

Qu'est-ce que Validation croisée (cross-validation) ?

Méthode qui divise les données en k groupes, utilise l'un pour l'évaluation et les autres pour l'apprentissage, répète l'apprentissage et l'évaluation k fois en changeant de groupe d'évaluation, et estime les performances du modèle par la moyenne des k évaluations (validation croisée à k blocs). Comme chaque donnée sert une fois à l'évaluation, on exploite efficacement des données limitées et l'on réduit la dispersion de l'évaluation due au découpage des données. Elle sert au réglage des hyperparamètres et au choix des modèles, et multiplie la quantité de calcul par environ k.

Nom japonais: 交差検証

« Validation croisée (cross-validation) » apparaît dans 2 questions d'entraînement réparties sur 1 thèmes, dont Bases de l'apprentissage automatique.

Domaine: Bases de l'apprentissage automatique

S'entraîner : questions sur Validation croisée (cross-validation)

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 ?

  1. A200
  2. B800
  3. C1000
Afficher la réponse et l'explication

Réponse : B. 800

La validation croisée à k blocs divise les données en k groupes ; l'un sert à l'évaluation et les k − 1 autres à l'apprentissage. On répète k fois en changeant de groupe d'évaluation, et la moyenne des k évaluations donne les performances du modèle. Avec 5 blocs, chaque groupe contient 1000 ÷ 5 = 200 données ; chaque apprentissage utilise donc 200 × 4 = 800 données, et l'on effectue 5 apprentissages. Comme chaque donnée sert une fois à l'évaluation, on obtient une estimation stable des performances même avec peu de données.

« Validation croisée (cross-validation) » dans les explications

Questions mentionnant « Validation croisée (cross-validation) » (2)

  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 affirmation est correcte lorsque l'on décompose l'erreur d'un modèle en biais et en variance (dispersion) ?

Termes associés

Espérance (espérance mathématique) Surapprentissage (overfitting) Algorithme des k-moyennes (k-means) Analyse en composantes principales (ACP) Apprentissage non supervisé Apprentissage par renforcement Apprentissage par transfert (transfer learning) Apprentissage supervisé Descente de gradient (gradient descent) Fonction d'activation

Retour au glossaire