Data science

Comparer les modèles de classification — scikit-learn

en attente

Résultats

Code scikit-learn équivalent

Précision : test et validation croisée

un pli de la validation croisée moyenne ± écart-type précision sur le test

Au-delà de la précision

Frontières de décision

Un point, tous les modèles

Cliquez sur une des cartes (ou sur un ◆) : chaque modèle donne ses probabilités pour ce point.

Courbes d'apprentissage

La précision selon le nombre d'exemples d'entraînement : le modèle manque-t-il de données ?

Recherche d'hyperparamètres (GridSearchCV)

Importance des variables

Quelles variables chaque modèle utilise-t-il vraiment ? On mélange une variable à la fois sur le test et on mesure la précision perdue.

Fuite de données : les pièges du protocole

Deux erreurs classiques qui gonflent le score annoncé : régler les hyperparamètres en regardant le test, et sélectionner les variables avant la validation croisée.

Matrices de confusion (test)

Guide : comparer les modèles de classification

Démarrage

  1. Choisir les données : la comparaison se relance toute seule.
  2. Cocher les modèles et ajuster leurs réglages, puis cliquer sur ▶ Comparer.
  3. Lire le tableau, le graphique, les frontières et les matrices de confusion.

Comment c'est mesuré

Outils

Questions à poser aux élèves