𝑩𝒊𝒆𝒏 𝒄𝒉𝒐𝒊𝒔𝒊𝒓 𝒔𝒂 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒆𝒓𝒕𝒆 : 𝒖𝒏 𝒄𝒉𝒐𝒊𝒙 𝒅𝒆́𝒄𝒊𝒔𝒊𝒇 𝒆𝒏 𝑴𝒂𝒄𝒉𝒊𝒏𝒆 𝑳𝒆𝒂𝒓𝒏𝒊𝒏𝒈 📊🤖

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 𝐫𝐞́𝐠𝐫𝐞𝐬𝐬𝐢𝐨𝐧 : 𝐪𝐮𝐞𝐥𝐥𝐞 𝐟𝐨𝐧𝐜𝐭𝐢𝐨𝐧 𝐝𝐞 𝐩𝐞𝐫𝐭𝐞 𝐮𝐭𝐢𝐥𝐢𝐬𝐞𝐫 ?

🔹 𝐌𝐒𝐄
Elle pénalise fortement les grosses erreurs.
Elle est utile quand on veut accorder plus de poids aux écarts importants.

🔹 𝐌𝐀𝐄
Elle traite toutes les erreurs de façon plus uniforme.
Elle est souvent plus robuste quand les données contiennent des valeurs extrêmes.

🔹 𝐑𝐌𝐒𝐄
Elle garde les erreurs dans l’unité d’origine de la variable à prédire, ce qui facilite souvent l’interprétation.

🔹 𝐇𝐮𝐛𝐞𝐫 𝐋𝐨𝐬𝐬
Elle combine la sensibilité de la MSE et la robustesse de la MAE.
C’est souvent un très bon compromis.

🔹 𝐋𝐨𝐠-𝐂𝐨𝐬𝐡 𝐋𝐨𝐬𝐬
Elle fournit une optimisation plus douce et plus stable dans certains contextes.

𝐄𝐧 𝐜𝐥𝐚𝐬𝐬𝐢𝐟𝐢𝐜𝐚𝐭𝐢𝐨𝐧 : 𝐥𝐞𝐬 𝐫𝐞́𝐟𝐞́𝐫𝐞𝐧𝐜𝐞𝐬 𝐚̀ 𝐜𝐨𝐧𝐧𝐚𝐢̂𝐭𝐫𝐞

🔸 𝐁𝐢𝐧𝐚𝐫𝐲 𝐂𝐫𝐨𝐬𝐬-𝐄𝐧𝐭𝐫𝐨𝐩𝐲
La référence pour les problèmes à deux classes.

🔸 𝐂𝐚𝐭𝐞𝐠𝐨𝐫𝐢𝐜𝐚𝐥 𝐂𝐫𝐨𝐬𝐬-𝐄𝐧𝐭𝐫𝐨𝐩𝐲
Très utile quand il faut distinguer plusieurs catégories.

🔸 𝐒𝐩𝐚𝐫𝐬𝐞 𝐂𝐚𝐭𝐞𝐠𝐨𝐫𝐢𝐜𝐚𝐥 𝐂𝐫𝐨𝐬𝐬-𝐄𝐧𝐭𝐫𝐨𝐩𝐲
Pratique lorsque les étiquettes de classes sont codées sous forme d’entiers.

🔸 𝐇𝐢𝐧𝐠𝐞 𝐋𝐨𝐬𝐬
Souvent utilisée dans les modèles de type SVM.

🔸 𝐅𝐨𝐜𝐚𝐥 𝐋𝐨𝐬𝐬
Particulièrement intéressante lorsque certaines classes sont largement minoritaires.

𝐐𝐮𝐞𝐥𝐪𝐮𝐞𝐬 𝐫𝐞̀𝐠𝐥𝐞𝐬 𝐩𝐫𝐚𝐭𝐢𝐪𝐮𝐞𝐬

✅ Choisissez 𝐌𝐒𝐄 si les grandes erreurs doivent coûter cher au modèle
✅ Choisissez 𝐌𝐀𝐄 si vous voulez limiter l’effet des outliers
✅ Choisissez la 𝐂𝐫𝐨𝐬𝐬-𝐄𝐧𝐭𝐫𝐨𝐩𝐲 pour la plupart des tâches de classification
✅ Choisissez 𝐅𝐨𝐜𝐚𝐥 𝐋𝐨𝐬𝐬 si vos classes sont déséquilibrées
✅ Choisissez 𝐇𝐮𝐛𝐞𝐫 𝐋𝐨𝐬𝐬 si vous cherchez un compromis robuste

𝐀̀ 𝐫𝐞𝐭𝐞𝐧𝐢𝐫

Un modèle n’apprend jamais “dans le vide”.
Il apprend selon ce que la 𝐟𝐨𝐧𝐜𝐭𝐢𝐨𝐧 𝐝𝐞 𝐩𝐞𝐫𝐭𝐞 lui demande d’optimiser.

C’est pourquoi le choix de cette fonction n’est pas un détail technique.
C’est un véritable levier de performance.

💡 En résumé, mieux comprendre les fonctions de perte, c’est mieux comprendre comment un modèle apprend, se corrige et progresse.

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 et à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues.

Pour mieux apprendre l’utilisation des logiciels et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 https://forms.gle/yZAZimRXbTFbUWZk6

#MachineLearning #FonctionDePerte #DataScience #AnalyseDeDonnees #IntelligenceArtificielle