Désolé j'ai zappé la video en live, dans le processus itératif de mélange des données et de répartition et d'apprentissage, ne risque t-on pas de tellement brasser les données, que finalement tout le jeu de données se retrouve passé en données d'entrainement, de test et de validation? les résultats finaux, ne risqueraient ils pas de correspondre à un apprentissage sur tout le jeu de données? Merci pour ces formations très pédagogiques et agréables à suivre
Le principe est d'effectuer un apprentissage avec un ensemble de données et de valider l'apprentissage avec un second ensemble de données, qui n'a jamais été utilisé durant l'apprentissage. On peut recommencer n fois ce processus, en mélangeant les données à chaque fois, et en recommençant les apprentissages avec un modèle vierge. A chaque apprentissage, le modèle n'aura appris qu'avec son ensemble d'apprentissage.
Ce que j'adore avec vos vidéos, c'est qu'on ressent votre passion pour l'IA, ML.
Un grand merci !
Désolé j'ai zappé la video en live, dans le processus itératif de mélange des données et de répartition et d'apprentissage, ne risque t-on pas de tellement brasser les données, que finalement tout le jeu de données se retrouve passé en données d'entrainement, de test et de validation? les résultats finaux, ne risqueraient ils pas de correspondre à un apprentissage sur tout le jeu de données? Merci pour ces formations très pédagogiques et agréables à suivre
Le principe est d'effectuer un apprentissage avec un ensemble de données et de valider l'apprentissage avec un second ensemble de données, qui n'a jamais été utilisé durant l'apprentissage.
On peut recommencer n fois ce processus, en mélangeant les données à chaque fois, et en recommençant les apprentissages avec un modèle vierge.
A chaque apprentissage, le modèle n'aura appris qu'avec son ensemble d'apprentissage.