Statistical Models for Social Sciences

Quand on parle de performance d’un modèle de 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠 , on pense souvent aux données, aux variables ou à l’algorithme. Mais un élément central est parfois négligé : 𝐥𝐚 𝐟𝐨𝐧𝐜𝐭𝐢𝐨𝐧 𝐝𝐞 𝐩𝐞𝐫𝐭𝐞 . C’est elle qui permet au modèle de mesurer l’écart entre ce qu’il prédit et ce qu’il aurait dû prédire. En d’autres termes, elle guide l’apprentissage en indiquant au modèle quelle erreur corriger. 👉 Un bon modèle n’apprend pas seulement à prédire. Il apprend à réduire intelligemment ses erreurs . 𝐏𝐨𝐮𝐫𝐪𝐮𝐨𝐢 𝐥𝐚 𝐟𝐨𝐧𝐜𝐭𝐢𝐨𝐧 𝐝𝐞 𝐩𝐞𝐫𝐭𝐞 𝐞𝐬𝐭 𝐬𝐢 𝐢𝐦𝐩𝐨𝐫𝐭𝐚𝐧𝐭𝐞 ? Parce qu’elle influence directement : ✅ la qualité des prédictions ✅ la stabilité de l’entraînement ✅ la sensibilité aux valeurs extrêmes ✅ la capacité du modèle à bien apprendre sur des données équilibrées ou non Autrement dit, deux modèles identiques peuvent produire des résultats très différents selon la fonction de perte utilisée . 𝐄𝐧 ...