📝 AMELIOREZ VOS COMPETENCES EN DATA SCIENCE : damienchambon.podia.com/email...
Machine Learning : Comment choisir le bon algorithme ?
Dans tout projet de Machine Learning arrive l’étape d’entraînement des modèles. Grâce à des packages Python comme scikit-learn, de nombreux algorithmes sont à notre disposition et le choix des bons algorithmes est parfois difficile à faire. Dans cette vidéo en français, je vous donne 3 règles à suivre pour sélectionner vos modèles.
Le choix d’un algorithme de Machine Learning n’est pas tant dans l’opposition apprentissage supervisé et apprentissage non-supervisé, ou encore régression vs classification. Les véritables choix se situent au sein de chacune de ces catégories de modèles. Il existe par exemple beaucoup d’algorithmes en classification : arbres de décision, régression logistique, Support Vector Machine, Random Forests, Boosting, etc. Les 3 règles qui suivent vous permettront de gagner la confiance de vos collègues et supérieurs hiérarchiques mais vous permettront aussi de fournir un meilleur travail dans vos projets.
Ainsi, la première règle à suivre est de sélectionner les modèles de Machine Learning dont on comprend le fonctionnement, ceux dont on a une intuition sur leur façon de fonctionner. Il peut nous arriver trop souvent de sélectionner les algorithmes au hasard et de ne pas comprendre comment fonctionnent les modèles choisis. Pour vérifier votre compréhension du fonctionnement du modèle, vous devez être capable de le vulgariser et de l’expliquer en mots simples.
La deuxième règle suivre est de comprendre les forces et faiblesses des modèles que vous utilisez. Il n’existe pas d’algorithmes qui performent toujours mieux que les autres. Cela va dépendre des données et du contexte du projet de Machine Learning. Certains modèles auront de meilleurs résultats avec un grand nombre de variables tandis que d’autres seront plus impactés et feront de l’overfitting. En connaissant les avantages et inconvénients de chaque modèle, vous pourrez sélectionner l’algorithme le plus adapté à votre projet.
La troisième règle à suivre est de savoir comment améliorer son modèle. Même si un algorithme devrait être adapté à votre projet, il se peut que sa performance puisse être amélioré en faisant varier les hyperparamètres, ces réglages qui influencent la manière dont le modèle apprend des données. Au lieu de faire varier aléatoirement les hyperparamètres, il est important que vous ajustiez les valeurs nécessaires, ce qui requiert une connaissance des mathématiques sur lesquelles le modèle se base. Effectivement, la plupart des modèles de Machine Learning se reposent sur des concepts mathématiques comme des fonctions ou des formules, directement impactés par les hyperparamètres que vous choisissez. En connaissant ces mathématiques, vous pourrez ajuster les hyperparamètres nécessaires.
👋🏼 Qui suis-je ?
Je m'appelle Damien et je suis Data Scientist. Au cours de mes expériences professionnelles, j'ai découvert comment la Data Science et le Machine Learning peuvent résoudre des problématiques business et sociétales.
J'ai formé des dizaines d'étudiants à la Data Science et au Machine Learning en français pour leur permettre de découvrir ces domaines fascinants et les appliquer dans leur vie professionnelle.
💻 Mon site : damienchambon.podia.com
Crédits musique : E I S U - Sheets