Évaluation du modèle et réglage de l'hyperparamètre

Cette séance de cours couvre les concepts d'évaluation des modèles et de réglage hyperparamétrique dans l'apprentissage automatique. Il explique le processus de fractionnement des données, d'estimation des paramètres et de recherche des meilleurs hyperparamètres en utilisant des techniques comme l'approche de l'ensemble de validation et la validation croisée. L'instructeur démontre comment estimer les erreurs de test, choisir les degrés optimaux dans la régression polynôme et appliquer des stratégies de rééchantillonnage. La séance de cours souligne l'importance de l'accordage des modèles pour améliorer les performances et éviter les sous-ajustements ou les surajustements. On discute d'exemples pratiques et d'applications, comme l'utilisation de la méthode bootstrap pour l'estimation de l'incertitude.