Ici, on ne prédit plus une classe mais un nombre, à partir d'une seule variable x : on peut donc dessiner toute la fonction apprise.
Démarrage
- Choisir les données : sinusoïde, droite, marche, diabète, ou vos propres points.
- Choisir un modèle. Il est entraîné pour toute une gamme de valeurs de son réglage de complexité.
- Bouger le curseur (ou ▶) : la courbe passe du plus simple au plus complexe, et l'erreur suit.
Ce que l'on mesure
- Erreur quadratique moyenne (MSE) : la moyenne des carrés des écarts entre prédiction et vraie valeur.
- R² : la part de la variance de y expliquée. 1 = parfait, 0 = pas mieux que prédire la moyenne, négatif = pire.
- 70 % des points pour l'entraînement, 30 % pour le test (
random_state=42).
Idées d'expériences
- Sinusoïde, 30 points, polynôme : degré 1 (sous-apprentissage), degré 4 (bien), degré 15 (la courbe passe par tous les points d'entraînement et s'envole entre eux).
- Même chose avec 200 points : le degré 15 devient raisonnable. Plus de données = on peut se permettre un modèle plus complexe.
- Régularisation (Ridge) sur le polynôme de degré 15 : la courbe se calme.
- Marche : l'arbre de profondeur 1 est parfait ; le polynôme oscille autour du saut (phénomène de Gibbs).
- Mes points : dessinez un point aberrant. Quel modèle le suit, lequel l'ignore ?
- Hors de la plage des données (bords du graphique) : comment chaque modèle extrapole-t-il ?
Raccourcis
Espace lecture / pause · ← → réglage précédent / suivant · P projection · ? ce guide