Apprentissage supervisé

Chaque exemple d’entraînement indique à l’algorithme quelle sortie est souhaitée pour une entrée. Une fonction de perte convertit les erreurs de prédiction en une quantité que la procédure d’entraînement peut optimiser. Le choix de la perte façonne l’apprentissage ; la métrique utilisée pour juger le flux final peut être différente. Les étiquettes peuvent provenir de mesures, de résultats ultérieurs ou d’annotations. Examinez les désaccords et les cas ambigus plutôt que de supposer que chaque réponse enregistrée est correcte. Si l’étiquette capture un ancien processus décisionnel, le modèle peut reproduire ses limites. Divisez les données pour correspondre à la manière dont le modèle rencontrera de nouveaux cas. Les divisions aléatoires de lignes peuvent divulguer des informations lorsque des enregistrements répétés décrivent le même sujet. Les prévisions nécessitent généralement une évaluation respectant le temps. Ajustez les étapes de prétraitement uniquement sur la partition d’entraînement avant de les appliquer aux exemples de validation et de test. Après l’entraînement, inspectez les performances pour les classes et conditions de fonctionnement pertinentes. Le déséquilibre de classe peut rendre la précision globale trompeuse. Décidez comment traiter les entrées incertaines ou inconnues, et conservez une voie pour corriger les étiquettes et revoir les erreurs systématiques.