or
Cette activité fait partie du cours
Prêt à bâtir un véritable pipeline de Machine Learning? Réalisez des exercices guidés étape par étape pour apprendre à créer des arbres de décision, à scinder vos données et à prédire quels patients sont les plus susceptibles d'être atteints de diabète. Enfin, vous construirez des mesures de performance pour évaluer vos modèles et juger vos prédictions.
Envie d'un peu de sucré? Utilisez un jeu de données sur l'évaluation de chocolats pour bâtir des arbres de régression et évaluer leur performance à l'aide de mesures d'erreur appropriées. Vous surmonterez l'incertitude statistique des simples divisions entraînement/test en appliquant des techniques éprouvées comme la validation croisée, puis vous irez encore plus loin en maîtrisant le compromis biais-variance.
Il est temps de vous attaquer sérieusement au réglage de vos hyperparamètres et à l'interprétation des courbes ROC (receiver operating characteristic). Dans ce chapitre, vous tirerez parti de l'intelligence collective avec des modèles en ensemble comme l'ensachage (bagging) ou les forêts aléatoires, et vous construirez des ensembles qui prévoient quels titulaires de carte de crédit sont les plus susceptibles d'abandonner.
Prêt pour le haut de gamme des modèles à base d'arbres? Appliquez le rehaussement de gradient pour créer des ensembles puissants qui surpassent tout ce que vous avez vu ou construit. Découvrez comment les peaufiner et comparer différents modèles afin de choisir le meilleur pour la mise en production.
Exercice en cours