Analyse de données
Comprendre les caractéristiques, les cibles, les méthodes d'apprentissage, les divisions de données, les pipelines, les problèmes d'ajustement, la validation croisée, les métriques et les risques de fuite.
12 termes
Données du modèle
Feature
Une variable d'entrée utilisée par un modèle pour faire une prédiction ou découvrir un modèle.
Choisissez les fonctionnalités disponibles au moment de la prédiction et pertinentes pour la tâche.
Fonctionnalités : tenure_days, order_count_90d, support_ticket_count.Données du modèle
Target
Le résultat ou l'étiquette qu'un modèle supervisé est entraîné à prédire.
Définissez-le avec une fenêtre d'observation claire et une signification métier.
Cible : si le client se désabonne dans les 30 prochains jours.Méthodes d'apprentissage
Supervised learning
Apprentissage d'une correspondance entre les entrées et les valeurs cibles connues à l'aide d'exemples étiquetés.
Utilisez-le pour la classification ou la régression lorsque des étiquettes historiques sont disponibles.
Entraînez un classificateur à l'aide d'anciennes transactions étiquetées comme frauduleuses ou non frauduleuses.Méthodes d'apprentissage
Unsupervised learning
Recherche de structure dans les données sans étiquette cible fournie.
Utilisez-le pour le regroupement, la réduction de la dimensionnalité ou l'exploration des anomalies.
Regrouper les magasins en fonction de la répartition des ventes et du comportement des clients.Validation
Train-test split
Sépare les données utilisées pour entraîner un modèle des données réservées à l'évaluation finale.
Utilisez un découpage sensible au temps ou au groupe lorsque le découpage aléatoire laisserait transparaître des informations.
Entraînez sur janvier-octobre, validez sur novembre, testez sur décembre.Flux de travail
Preprocessing pipeline
Une séquence ordonnée et réutilisable de transformations et d'étapes d'ajustement de modèle.
Appliquer le prétraitement uniquement aux données d'entraînement et appliquer les mêmes étapes pendant la prédiction.
impute -> standardize -> one-hot encode -> fit modelMéthodes d'apprentissage
Model
Une représentation mathématique ou computationnelle apprise utilisée pour faire des prédictions ou prendre des décisions.
Comparer une référence simple avec des candidats plus complexes selon le même protocole d'évaluation.
Référence : régression logistique ; candidat : boosting par gradient.Validation
Overfitting
Lorsqu'un modèle apprend du bruit spécifique à l'entraînement et fonctionne mal sur des données non vues.
Détecter cela avec une évaluation sur un ensemble de données distinct et le réduire avec des modèles plus simples, la régularisation ou des données plus représentatives.
Une précision d'entraînement de 99 %, une précision de validation de 71 % suggèrent un surapprentissage.Validation
Underfitting
Lorsqu'un modèle est trop limité pour capturer des schémas importants dans les données.
Vérifiez si les performances d'entraînement et de validation sont toutes les deux faibles.
Ajouter des fonctionnalités informatives ou un modèle plus approprié lorsque les deux types d'erreurs restent élevés.Validation
Cross-validation
Diviser à plusieurs reprises les données en ensembles d'entraînement et de validation pour estimer les performances du modèle.
Utilisez un séparateur approprié pour l'équilibre des classes, les groupes ou l'ordre chronologique.
Effectuer une validation croisée stratifiée 5 fois pour une tâche de classification déséquilibrée.Validation
Evaluation metric
Une mesure numérique utilisée pour juger de la qualité de la prédiction.
Choisissez des métriques en fonction des coûts d'erreur et de l'équilibre des classes, et non uniquement pour la commodité.
Suivez la précision et le rappel lorsque les faux positifs et les faux négatifs ont des coûts différents.Risques
Data leakage
Lorsqu'une formation utilise des informations qui ne seraient pas disponibles au moment réel de la prédiction.
Auditez les fonctionnalités, le découpage temporel, le prétraitement et les fenêtres d'agrégation avant de faire confiance aux résultats.
Les fuites peuvent donner l'impression que les scores hors ligne sont excellents, alors que les performances en production échouent.
N'utilisez pas l'état final du remboursement pour prédire si une commande sera remboursée.