Comment documenter une séparation entraînement-test ?
On documente une séparation entraînement-test avec les règles de découpage, les groupes, les dates, les versions, les exclusions, les accès et le calcul des métriques.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
86 résultats
On documente une séparation entraînement-test avec les règles de découpage, les groupes, les dates, les versions, les exclusions, les accès et le calcul des métriques.
On gère les classes rares en conservant leur représentation dans les partitions, en regroupant les événements liés et en rapportant des métriques qui ne les noient pas dans la classe majoritaire.
La validation croisée réutilise plusieurs partitions pour comparer ou régler un modèle, tandis que le jeu de test final reste réservé à l’estimation indépendante avant déploiement.
On sépare des séquences de robot sans fuite de données en gardant ensemble les images ou mesures d’un même trajet, d’une même session ou d’un même objet.
On sépare entraînement et test pour mesurer si un modèle robotique généralise à des données qu’il n’a jamais vues, plutôt que de vérifier sa mémoire des exemples.
Une réduction de dimension linéaire cherche des axes qui résument au mieux la variation des données, comme le fait l’analyse en composantes principales.
La courbe précision-rappel montre le compromis entre retrouver davantage de cas positifs et limiter les fausses alertes, surtout quand les classes sont déséquilibrées.
Le seuil de décision transforme un score de modèle en classe ; le déplacer change le nombre de détections et de fausses alertes.
Un réseau généralise lorsqu’il utilise des régularités utiles sur des exemples inconnus ; il mémorise lorsqu’il s’appuie sur des détails particuliers du jeu d’entraînement.
Lorsqu’un modèle robotique ne généralise pas, il faut arrêter l’extension, analyser les erreurs, vérifier les données et décider entre recalibration, nouvelles données, adaptation ou retour à une version sûre.
Contrôler la qualité des étiquettes avant l’entraînement d’un robot évite qu’erreurs, classes incohérentes ou omissions soient apprises comme si elles décrivaient le monde.
Étiqueter des événements rares dans les données d’un robot demande de les rechercher activement, de noter leur contexte et de vérifier chaque annotation, car quelques secondes peuvent changer la sécurité.
Une question plus précise ?