Évaluation des modèles de Machine Learning

1. Introduction à l'évaluation des modèles

1.1. Importance de l'évaluation

1.2. Processus général d'évaluation

2. Métriques de performance pour la classification

2.1. Exactitude (Accuracy)

2.2. Précision (Precision)

2.3. Rappel (Recall)

2.4. Score F1

3. Métriques de performance pour la régression

3.1. Erreur quadratique moyenne (MSE)

3.2. Erreur absolue moyenne (MAE)

3.3. Coefficient de détermination (R²)

4. Techniques d'évaluation avancées

4.1. Validation croisée (Cross-validation)

4.2. Courbes ROC et AUC

5. Analyse des erreurs et amélioration des modèles

5.1. Diagnostiquer les problèmes de surajustement et de sous-ajustement

5.2. Stratégies pour l'amélioration des modèles