Articles

📊 𝑪𝒍𝒂𝒔𝒔𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆́𝒔𝒆́𝒒𝒖𝒊𝒍𝒊𝒃𝒓𝒆́𝒆 : 𝒑𝒐𝒖𝒓𝒒𝒖𝒐𝒊 𝒍’𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 𝒏𝒆 𝒔𝒖𝒇𝒇𝒊𝒕 𝒑𝒂𝒔 ?

Image
En Machine Learning, tous les modèles de classification ne doivent pas être jugés uniquement avec le taux de bonne classification. Quand les données sont déséquilibrées, un modèle peut sembler performant… alors qu’il se trompe sur la classe la plus importante. 👉 𝑪’𝒆𝒔𝒕 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍𝒆̀𝒎𝒆 𝒄𝒍𝒂𝒔𝒔𝒊𝒒𝒖𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 𝒅𝒆́𝒔𝒆́𝒒𝒖𝒊𝒍𝒊𝒃𝒓𝒆́𝒆𝒔. Imaginons un jeu de données où 90 % des observations appartiennent à une seule classe. Un modèle qui prédit toujours cette classe peut afficher 90 % d’accuracy… Mais en réalité, il peut être incapable de détecter la classe minoritaire. 🔵 𝑳’𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 Elle mesure la proportion totale de prédictions correctes. 👉 Utile, mais parfois trompeuse en cas de classes déséquilibrées. 🔵 𝑳𝒂 𝒑𝒓𝒆́𝒄𝒊𝒔𝒊𝒐𝒏 Elle répond à la question : parmi les cas prédits positifs, combien sont réellement positifs ? C’est une mesure d’exactitude. 🔵 𝑳𝒆 𝒓𝒂𝒑𝒑𝒆𝒍 (𝑹𝒆𝒄𝒂𝒍𝒍) Il répond à la question : parmi les vrais positifs ex...

📊 𝑴𝒂𝒕𝒓𝒊𝒙 𝑾𝒐𝒓𝒍𝒅 : 𝒄𝒐𝒎𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒍’𝒖𝒏𝒊𝒗𝒆𝒓𝒔 𝒅𝒆𝒔 𝒎𝒂𝒕𝒓𝒊𝒄𝒆𝒔 𝒆𝒏 𝒂𝒍𝒈𝒆̀𝒃𝒓𝒆 𝒍𝒊𝒏𝒆́𝒂𝒊𝒓𝒆

Image
En mathématiques, en statistique, en économétrie, en Machine Learning et en intelligence artificielle, les 𝒎𝒂𝒕𝒓𝒊𝒄𝒆𝒔 sont partout. Elles permettent d’organiser les données, de représenter les transformations, de résoudre des systèmes d’équations et de construire de nombreux algorithmes modernes. 𝑼𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆, 𝒄’𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒑𝒍𝒖𝒔 𝒒𝒖’𝒖𝒏 𝒕𝒂𝒃𝒍𝒆𝒂𝒖 𝒅𝒆 𝒏𝒐𝒎𝒃𝒓𝒆𝒔. C’est un langage puissant pour décrire les relations entre variables. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒓𝒆𝒄𝒕𝒂𝒏𝒈𝒖𝒍𝒂𝒊𝒓𝒆 Elle peut avoir un nombre de lignes différent du nombre de colonnes. Elle est très utilisée pour représenter les jeux de données : observations en lignes, variables en colonnes. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒄𝒂𝒓𝒓𝒆́𝒆 Elle possède le même nombre de lignes et de colonnes. Elle joue un rôle central dans les systèmes d’équations, les modèles statistiques et les transformations linéaires. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆 Elle admet une inverse. Cela signifie qu’on peut “revenir en arrière” ...

𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒔 𝒅’𝑨𝒄𝒕𝒊𝒗𝒂𝒕𝒊𝒐𝒏 𝒆𝒏 𝑴𝒂𝒄𝒉𝒊𝒏𝒆 𝑳𝒆𝒂𝒓𝒏𝒊𝒏𝒈 : 𝒍𝒆 𝒎𝒐𝒕𝒆𝒖𝒓 𝒄𝒂𝒄𝒉𝒆́ 𝒅𝒆𝒔 𝒓𝒆́𝒔𝒆𝒂𝒖𝒙 𝒅𝒆 𝒏𝒆𝒖𝒓𝒐𝒏𝒆𝒔

Image
En Machine Learning, surtout dans les réseaux de neurones, une question revient souvent : 𝑸𝒖’𝒆𝒔𝒕-𝒄𝒆 𝒒𝒖𝒊 𝒑𝒆𝒓𝒎𝒆𝒕 𝒂̀ 𝒖𝒏 𝒎𝒐𝒅𝒆̀𝒍𝒆 𝒅’𝒂𝒑𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒅𝒆𝒔 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏𝒔 𝒄𝒐𝒎𝒑𝒍𝒆𝒙𝒆𝒔 ? La réponse se trouve en grande partie dans les 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒔 𝒅’𝒂𝒄𝒕𝒊𝒗𝒂𝒕𝒊𝒐𝒏. Une fonction d’activation transforme le signal reçu par un neurone artificiel avant de le transmettre à la couche suivante. Sans elle, un réseau de neurones resterait presque un simple modèle linéaire, même avec plusieurs couches. 𝑳𝒂 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒍𝒊𝒏𝒆́𝒂𝒊𝒓𝒆 Elle produit une sortie proportionnelle à l’entrée. Elle est simple, mais limitée pour apprendre des relations complexes. 𝑳𝒂 𝒔𝒊𝒈𝒎𝒐𝒊̈𝒅𝒆 Elle transforme les valeurs en probabilités comprises entre 0 et 1. Elle est très utilisée pour les problèmes de classification binaire. 𝑳𝒂 𝑻𝒂𝒏𝒉 Elle ressemble à la sigmoïde, mais ses valeurs varient entre -1 et 1. Elle permet souvent de mieux centrer les données auto...