Karteikarten: Introduction aux données et validation en ML — 19 Karten

Espace de données d’apprentissage — composants ?

Features, labels, représentation numérique

Dataset — sous-ensembles principaux ?

Training, validation, test

Features numériques — types ?

Continue, discrète

Features catégorielles — encodages ?

Ordinal, one-hot

Sortie problème ML — nature ?

Régression ou classification

Qualité des données — problèmes courants ?

Données manquantes, incohérences, outliers

Transformation — objectif principal ?

Rendre les données exploitables

Feature engineering — actions ?

Sélection, création, réduction de dimension

Phases apprentissage — ordre ?

Préparation, entraînement, validation, test

Validation croisée — but ?

Évaluer stabilité et généralisation

Métriques de régression — exemple ?

MSE, MAE, RMSE, R²

Matrice confusion — éléments ?

TP, TN, FP, FN

Erreur quadratique moyenne — sigification ?

Pénalise grosses erreurs

R² — interprétation ?

Part de variance expliquée

Validation stratifiée — avantage ?

Conserve proportions de classes

Normalisation — but ?

Comparer features sur même échelle

Standardisation — formule ?

(x - μ)/σ

Discrétisation — utilité ?

Simplifier ou interpréter

Sur-apprentissage — signe ?

Bonne performance train, mauvaise test