Familiarisation avec les concepts d'examen d'un modèle
Il peut s'avérer utile d'avoir une compréhension basique des métriques d'un modèle avant de commencer à analyser vos résultats d'apprentissage.
De manière générale, les métriques d'un modèle disponibles peuvent être divisées en deux types : les métriques des scores du modèle et les métriques de l'importance des caractéristiques. Lorsque vous examinez vos modèles, vous devez analyser les deux types de métriques.
Il existe également des différences dans la manière dont les algorithmes disponibles effectuent l'apprentissage des modèles.
Scores d'un modèle
Les scores d'un modèle indiquent l'exactitude de ses prédictions.
Interprétation des scores des modèles
Importance des caractéristiques
L'importance des caractéristiques n'est pas techniquement parlant un score de modèle, mais elle doit être utilisée en combinaison avec des scores de modèle pour évaluer la qualité d'un modèle et diagnostiquer des problèmes potentiels. L'importance des caractéristiques fournit également des informations sur les facteurs clés qui influencent les tendances des données.
Familiarisation avec l'importance des caractéristiques
Algorithmes
Certains algorithmes fonctionnent de manière optimale avec des types de problème spécifiques. Chaque algorithme a ses points forts et ses points faibles, qui doivent être pris en compte au moment d'examiner des modèles.