AccueilCoursClassifieurs linéaires en Python

Comprendre le surapprentissage

Chapitre 2 · Mise en pratique de la régression logistique et des SVM · leçon 5 sur 46
Réservée aux abonnés — voici son début
Surapprentissage Laquelle des situations suivantes ressemble à un cas de surapprentissage ? Répondez à la question 0XP Réponses possibles Sélectionnez une seule réponse Précision entraînement 50 %, précision test 50 %. Tapez1 Précision entraînement 95 %, précision test 95 %. Tapez2 Précision entraînement 95 %, précision test 50 %. Tapez3 Précision entraînement 50 %, précision test 95 %. Tapez4 Indice Le surapprentissage signifie que votre modèle est très performant sur les données d’entraînement, sans forcément bien généraliser à des données encore jamais vues (de test).
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
Cette leçon fait partie du cours

Classifieurs linéaires en Python

short_training6 chapitres · 46 leçons
  • La plateforme de formationabonnés
  • Rappel des fondamentaux de scikit-learnabonnés
  • Découvrir la classification KNNabonnés
  • Comparer les performances des modèlesabonnés
  • Comprendre le surapprentissagevous êtes ici
  • Appliquer la régression logistique et les SVMabonnés
  • Utiliser LogisticRegression et SVCabonnés
  • Réaliser une analyse de sentiment sur des critiques de filmsabonnés
  • Comprendre les classificateurs linéairesabonnés
  • Identifier les frontières de décision linéairesabonnés
  • Visualiser les frontières de décisionabonnés
  • Étudier les coefficients des classificateurs linéairesabonnés
  • Comprendre comment les modèles produisent leurs prédictionsabonnés
  • Modifier les coefficients d’un modèleabonnés
  • Découvrir le concept de fonction de perteabonnés
  • Comprendre la fonction de perte 0-1abonnés
  • Apprendre à minimiser une fonction de perteabonnés
  • Visualiser les différentes fonctions de perteabonnés
  • Explorer les fonctions de perte en classificationabonnés
  • Comparer les fonctions de perte logistique et hingeabonnés
  • Implémenter un modèle de régression logistiqueabonnés
  • Comprendre la régularisation en régression logistiqueabonnés
  • Mettre en œuvre une régression logistique régulariséeabonnés
  • Utiliser la régression logistique pour sélectionner les variablesabonnés
  • Identifier les mots les plus positifs et les plus négatifsabonnés
  • Comprendre les probabilités en régression logistiqueabonnés
  • Extraire les probabilités d'appartenance aux classesabonnés
  • Étudier l'effet de la régularisation sur les probabilitésabonnés
  • Visualiser des exemples de classification simples et complexesabonnés
  • Découvrir la régression logistique multiclasseabonnés
  • Déterminer le nombre de coefficientsabonnés
  • Ajuster un modèle de régression logistique multiclasseabonnés
  • Visualiser les résultats de la régression logistique multiclasseabonnés
  • Appliquer la stratégie SVM un-contre-tousabonnés
  • Comprendre les vecteurs de supportabonnés
  • Identifier les vecteurs de supportabonnés
  • Étudier l'effet du retrait de certaines observationsabonnés
  • Découvrir les SVM à noyauabonnés
  • Prendre en main GridSearchCVabonnés
  • Optimiser simultanément les paramètres gamma et C avec GridSearchCVabonnés
  • Comparer la régression logistique, les SVM et d'autres méthodesabonnés
  • Identifier les avantages des SVMabonnés
  • Identifier les avantages de la régression logistiqueabonnés
  • Utiliser le modèle SGDClassifierabonnés
  • Pour conclureabonnés
  • Conclusion de la formationabonnés
Leçon suivante

Appliquer la régression logistique et les SVM

Voir le programme Créer un compte pour continuer