Types de problèmes en ML: La distinction de base entre apprentissage supervisé (exemples étiquetés), non supervisé (sans étiquettes) et par renforcement.
Mène à
Fonctions de coût et de perte: Le nombre unique qu'un modèle cherche à minimiser pendant l'entraînement, choisi pour refléter à quel point ses prédictions sont fausses.
Compromis biais-variance: Un modèle trop simple a un biais élevé (sous-apprend) ; un modèle trop flexible a une variance élevée (surapprend), et on ne peut pas minimiser les deux à la fois.
Métriques d'évaluation de régression: Des façons de mesurer à quel point les prédictions continues d'un modèle sont éloignées, de la taille brute de l'erreur à la part de variance expliquée.
Notions liées
Métriques d'évaluation de régression: Des façons de mesurer à quel point les prédictions continues d'un modèle sont éloignées, de la taille brute de l'erreur à la part de variance expliquée.
Compromis biais-variance: Un modèle trop simple a un biais élevé (sous-apprend) ; un modèle trop flexible a une variance élevée (surapprend), et on ne peut pas minimiser les deux à la fois.