Systèmes de production à apprentissage automatique

Chapitre 8. Analyse du modèle

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

Réussir à former un modèle et à le faire converger est une bonne chose. On a souvent l'impression d'avoir terminé, et si tu l'entraînes pour un projet de classe ou un article que tu es en train d'écrire, tu as en quelque sorte terminé. Mais pour le ML de production, une fois la formation terminée, tu dois entrer dans une nouvelle phase de ton développement qui implique un niveau d'analyse beaucoup plus profond des performances de ton modèle, à partir de plusieurs directions différentes. C'est l'objet de ce chapitre.

Analyser les performances du modèle

Après la formation et/ou le déploiement, il se peut que tu remarques une baisse des performances de ton modèle. En plus de déterminer comment améliorer les performances de ton modèle, tu devras anticiper les changements dans tes données que tu pourrais attendre à l'avenir, qui dépendent généralement beaucoup du domaine, et réagir aux changements qui se sont produits depuis que tu as formé ton modèle à l'origine.

Ces deux tâches nécessitent d'analyser les performances de ton modèle. Dans cette section, nous allons passer en revue les principes de base de l'analyse de modèle. Lorsque tu effectues une analyse de modèle, tu dois examiner les performances du modèle non seulement sur l'ensemble de tes données, mais aussi sur de plus petits morceaux de données qui sont "découpés" ...