Accueil>Tests>Questions>La validation croisée est une technique utilisée pour évaluer les modèles DL (deep learning) (et les modèles ML en général). La méthode consiste à entraîner plusieurs modèles sur des sous-ensembles des données d'entrée et à les évaluer sur le sous-ensemble complémentaire de ces mêmes données. Elle vise à éviter le surapprentissage.
Question du test Deep learning - Les bases
La validation croisée est une technique utilisée pour évaluer les modèles DL (deep learning) (et les modèles ML en général). La méthode consiste à entraîner plusieurs modèles sur des sous-ensembles des données d'entrée et à les évaluer sur le sous-ensemble complémentaire de ces mêmes données. Elle vise à éviter le surapprentissage.
Très facile
Le/la/l’ _____ est une technique d’évaluation des modèles DL (et même ML de manière générale). Cette méthode consiste en la création de différents jeux de données d'entraînement et d’évaluation à partir d’un même jeu de données initial (en d’autres terme, on “coupe” le jeu en de nombreux sous-jeux). Elle vise à éviter le phénomène de “overfitting”. Quel est le nom de cette méthode?
Modifier
1
Évaluations de la communautéPersonne n'a encore évalué cette question, soyez le premier !
Questions similairesPlus de questions sur Deep learning
12
Quelle est la relation entre l'intelligence artificielle (IA), l'apprentissage automatique et l'apprentissage profond?9
Quel est le mot manquant dans la phrase suivante : Overfitting est la production d'un modèle qui correspond trop étroitement à l'ensemble de données d'apprentissage et peut donc ne pas s'adapter à d'autres ensembles de données et donc ne pas effectuer de prévision fiable.6
Donné un réseau de neurones avec 4 entrées, combien de connexions pourraient exister entre la couche d'entrée et la première couche cachée?1
Quel type de réseau de neurones est le meilleur pour le traitement d'images?1
En deep learning, le jeu de validation est utilisé pour fournir des évaluations fréquentes et non biaisées de l'adéquation du modèle sur le jeu d'entraînement tout en ajustant ses hyperparamètres/paramètres: en d'autres termes, le modèle est trouvé et ensuite testé sur le jeu de validation avant d'être amélioré une fois de plus.