Évaluation du modèle: K-Nearest Neighbor

Cette séance de cours couvre l'évaluation des modèles, en se concentrant sur l'algorithme K-Nearest Neighbor. Il explique comment choisir la valeur k optimale en utilisant la validation croisée, différentes métriques de similarité et des techniques d'évaluation de modèle comme la validation croisée sans sortie. La séance de cours se penche également sur la théorie de la perte attendue, l'erreur de formation et les critères d'information tels que l'AIC et le BIC. Il se termine par une discussion détaillée sur les mesures de performance pour les modèles de classification, y compris la précision, la précision, le rappel, les courbes ROC, et limportance de comparer la performance du modèle aux modèles de référence.