Apprendre AutoML (French Edition)

Chapitre 5. Optimisationdes hyperparamètres

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Je me souviens de la première fois où j’ai rencontré un modèle d’apprentissage automatique mal réglé en production. C’était en 2018, et je travaillais dans une banque qui avait déployé un système de détection des fraudes. Le modèle, un classificateur à gradient boosting doté de toutes les caractéristiques adéquates, était conceptuellement solide, mais ses performances étaient au mieux médiocres. Le taux de faux positifs était si élevé que des transactions légitimes étaient constamment signalées, ce qui frustrait les clients et engendrait des coûts pour l’entreprise. Le problème ne venait ni de l’algorithme ni des données. Il venait des hyperparamètres.

Après avoir passé seulement deux jours à ajuster systématiquement les hyperparamètres — en combinant intuition métier et recherche aléatoire avec validation croisée, en réglant le taux d'apprentissage à 0,05, en augmentant le nombre d'estimateurs à 300 et en fixant la profondeur maximale à 4 —, on a amélioré la précision du modèle de 15 % tout en conservant le même rappel. L'impact sur l'activité a été immédiat : les faux positifs ont chuté de 30 %, les plaintes des clients ont diminué et le système de détection des fraudes a enfin tenu ses promesses.

Cette expérience a cristallisé une leçon que j’avais apprise tout au long de ma carrière : l’optimisation ...