Validation simple, cross-validation, leave-one-out

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: non eu

Aliquip tempor reprehenderit aute nulla. Elit velit anim duis qui minim. Labore anim sit commodo ex pariatur dolor veniam dolor eu Lorem fugiat eu consequat. Duis aliquip tempor laboris nostrud mollit ipsum duis reprehenderit minim dolore tempor occaecat.

Description

Cette séance de cours présente des techniques simples de validation, de validation croisée et de CV sans correction pour obtenir des estimations impartiales du risque des prédicteurs appris, ainsi que leur application pour l'ajustement hyperparamétrique.

Enseignant

sint pariatur

Aliquip ex amet eu pariatur et officia. Duis laborum aliquip in officia dolor irure labore enim dolore pariatur. Officia Lorem ullamco irure culpa duis velit pariatur eu adipisicing.

Source officielle

Séances de cours associées (31)

https://mediaspace.epfl.ch/media/0_dw4r93o7

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Dans cours

DEMO: non eu

Enseignant

sint pariatur

Aliquip ex amet eu pariatur et officia. Duis laborum aliquip in officia dolor irure labore enim dolore pariatur. Officia Lorem ullamco irure culpa duis velit pariatur eu adipisicing.

Séances de cours associées (31)

Afficher plus

Évaluation du modèle et réglage de l'hyperparamètre

Explore l'évaluation des modèles, le réglage hyperparamétrique et les stratégies de rééchantillonnage dans l'apprentissage automatique.

Complexité du modèle et suréquipement dans l'apprentissage automatique

Couvre la complexité du modèle, l'ajustement excessif et les stratégies pour sélectionner les modèles d'apprentissage automatique appropriés.

Bases de l'apprentissage automatique

Introduit les bases de l'apprentissage automatique, y compris la collecte de données, l'évaluation des modèles et la normalisation des fonctionnalités.

Arbres de décision: Classification

Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.

Suréquipement, validation croisée et régularisation

Explore le surajustement, la validation croisée et la régularisation dans l'apprentissage automatique, en mettant l'accent sur la complexité du modèle et l'importance de la force de régularisation.