MACHINE LEARNING & STATISTIQUES Erreur des modèles - Sous et sur ajustement
Cette formation permet à des praticiens de méthodes prédictives de comprendre et quantifier le sous-ajustement et le sur-ajustement, en couvrant le vocabulaire associé (biais, variance) et les outils de validation croisée (LOO, KFOLD, ...).
Proposé par
GROUPE ARKESYS
Prérequis
- Cette formation n'est pas orientée sur l'apprentissage des méthodes de modélisation mais bien sur les problématiques liées à la mise en œuvre de celles-ci.
- Une connaissance des outils statistiques de base est souhaitée ainsi que la connaissance des outils de modélisation mis en œuvre
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- En entreprise
- À distance
Objectifs pédagogiques
- Quantifier l'erreur d'un modèle prédictif qualitatif
- Quantifier l'erreur d'un modèle prédictif quantitatif
- Comprendre la notion de biais d'un modèle
- Comprendre la notion de variance d'un modèle
- Comprendre les conséquences du sous ajustement
- Comprendre les conséquences du sur ajustement
- Quantifier l'erreur d'un modèle (Quantitatif ou qualitatif)
- Mettre en œuvre des processus de validation croisée type Leave One Out et K Fold
Programme de la formation
Jour 1 – Matin
Rappeler les méthodes de modélisation
- Que veut-on prédire
- Variable Qualitative
- Variable Quantitative
- Quantification de l'erreur d'un modèle quantitatif
- Rmse,
- Mae
- R², R² ajusté, R² Prev,
- …
- Quantification de l'erreur d'un modèle qualitatif
- Matrice de confusion
- Accuracy
- Kappa
- Spécificité ; sensibilité
- …
- Différentes façons de prédire
- Modélisation classique
- Régression
- Régression logistique
- Modélisation Machine Learning
- Knn
- Svm,
- Arbres de décisions
- …
Jour 1 – Après-midi
Optimiser le sous et surajustement
- Notions de biais d'un modèle
- Notions de variance d'un modèle
- Optimalité variance & biais
- Jugement de la qualité d'un modèle
- Matrice de confusion
- Méthode du Data Train / Data test
- Validation croisée
- Classique LOO (leave One Out)
- Validation croisée par k fold
Jour 2 – Matin
Réaliser des exercices pratiques
- Applications avec R
- Démonstration avec Excel
- Cas d'études sur données des apprenants
Jeux de données
Afin de s'approcher au mieux des réalités quotidiennes des praticiens, nous suggérons de nous appuyer pour l'animation pratique de thématiques et surtout de jeux de données reflétant le quotidien des apprenants.
Cet élément est un facteur de réussite pour la formation. Elle permet aux apprenants de :
- Se "reconnaitre" dans les thèmes abordés,
- Mieux percevoir l'intérêt des notions étudiées
- S'approprier le contenu de la formation
Il sera donc pertinent que les apprenants puissent réfléchir en amont de la formation à des problématiques, jeux de données ou documents susceptibles d'être utilisés en support lors de la formation.
Outil logiciel
Cette formation n'est pas strictement dédiée à un logiciel. Les exercices et les illustrations se feront généralement sous R ou sous un autre logiciel partant de l'hypothèse que celui-ci intègre les outils techniques abordés.
Dans le cas où la formation serait effectuée avec le logiciel R, une connaissance de base de ce logiciel est préconisée.
Proposé par
GROUPE ARKESYS
"La formation maintenant pour vos talents de demain"
Proposé par
GROUPE ARKESYS
