Défis

Name: Défis
Author: Briana Brownell

Apprenez à choisir le bon modèle et à relever les défis courants de la modélisation de la classification.

Preview the first lesson free — get full access to all 6 lessons.

Cours : à la demande

Alors comparons les modèles de classification que nous avons vu jusqu'à présent, et comprendre comment choisir le bon modèle pour une tâche de classification spécifique. J'ai donc tous les modules importés ici de sklearn. Ils sont tous étiquetés, et tous les modules sont entrés ici. Alors exécutons cela, et ensuite nous pourrons voir comment ils se comparent tous. Donc, dans l'ensemble, vous pouvez voir que certains des styles de classificateur ont travaillé sur nos jeux de données synthétiques beaucoup mieux que certains autres. De manière générale, l'ensemble de données synthétiques séparables linéairement a une plus grande précision dans tous les domaines. Et cela a du sens, car selon sur le style de modèle, nous n'avons peut-être pas moyen pour comprendre des relations plus complexes dans les données. Donc tout est plutôt bien fait pour cet exemple linéairement séparable. Mais là où ça devient intéressant, c'est la différence entre les sortes de cercles concentriques et les deux lunes. Alors ceux qui ont fait le mieux sur l'interprétation de la forme très étrange de l'ensemble de données des deux lunes étaient aussi ceux qui étaient beaucoup plus difficiles à expliquer. Ainsi, par exemple, le réseau de neurones a bien fonctionné, et la machine à vecteurs de support a bien fonctionné lorsque nous avons utilisé le noyau plus compliqué. Rappelez-vous aussi que l'un des défis avec les machines à vecteurs de support c'est qu'il lui a fallu beaucoup de temps pour s'entraîner. De même, les réseaux de neurones prennent également beaucoup plus de temps pour s'entraîner, et ils ont besoin de beaucoup plus de données se former efficacement. Vous pouvez donc voir qu'il y a souvent un compromis entre explicabilité et justesse. Plus vous obtenez de précision dans une tâche de classification très complexe, plus il a tendance à être difficile à expliquer. En attendant, vous pouvez avoir un ensemble de règles relativement simples dans le cas d'une structure de données très complexe. Vous n'obtenez qu'une partie du chemin jusqu'à la ligne d'arrivée en termes de précision. Ainsi, lorsque vous décidez quel algorithme utiliser dans votre tâche de modélisation de la classification, vous devez penser quels types de qualités sont importantes pour vous. Ainsi, par exemple, l'explicabilité est-elle plus importante que la précision globale ? Est-ce que le temps de formation et la quantité de données nécessaires modifier la décision optimale pour votre cas spécifique ? Il n'y a vraiment pas de bonne réponse pour quel modèle est le meilleur dans tous les cas. Tout dépend entièrement du cas d'utilisation et les facteurs qui sont importants dans votre tâche de modélisation. Mais il y a un concept qui va être important pour toutes vos tâches de modélisation. Et c'est s'assurer que vous avez un équilibre entre le sous-ajustement des données et le surajustement des données. Donc, vous voulez essayer de vous assurer que vous reconnaissez les véritables caractéristiques des données mais ne pas être si fragilement dépendant de cet ensemble d'entraînement que vous obtenez de faux prédicteurs que lorsque vous généralisez à plus de données qui arrivent, tout d'un coup cet élément ne fait pas un très bon travail de prédire votre classe plus. Comment trouver cet ajustement est une tâche difficile ça demande de l'expérience. Dans l'ensemble, vous voulez vous assurer vous équilibrez la complexité du modèle avec les fonctionnalités qui sont vraiment dans les données que vous voulez pouvoir extraire. Vous devriez maintenant avoir un aperçu de certains des compromis que vous devrez peut-être faire pour choisir le meilleur modèle pour votre tâche de classification.

Intermédiaire Fournisseur : Briana Brownell 6 leçons · 16m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Dans ces leçons, vous apprendrez à choisir le bon modèle en tenant compte des compromis entre eux. Vous apprendrez également à relever les défis courants des modèles de classification, notamment les problèmes de partialité, d'équité et de collecte de données.

Ces leçons exploreront l'équilibre entre la précision et l'explicabilité, ainsi que la nécessité de rester conscient des groupes que vos modèles peuvent affecter. Vous découvrirez certains des problèmes actuels des systèmes de classification en termes d'attaques adverses qui peuvent détruire les performances des modèles et causer des problèmes majeurs lors du déploiement. Enfin, vous découvrirez les défis émergents et la législation potentielle en matière de modélisation de la classification.

Ce que vous allez apprendre

Choisir le bon modèle de classification en pesant les compromis entre les différents modèles
Relever les défis courants des modèles de classification, y compris les biais, l'équité et les problèmes de collecte de données
Équilibrer l'exactitude par rapport à l'explicabilité lors de la construction de modèles de classification
Identifier les groupes que vos modèles peuvent affecter et rester conscient de leur impact
Reconnaître les attaques adverses qui peuvent détruire les performances du modèle et causer des problèmes de déploiement
Explorer les défis émergents et la législation potentielle dans la modélisation de la classification

Points clés à retenir

Le choix d'un modèle de classification implique de peser les compromis entre les modèles disponibles.
Les modèles de classification sont confrontés à des défis courants tels que les biais, l'équité et les problèmes de collecte de données.
Il y a un équilibre à considérer entre l'exactitude d'un modèle et son explicabilité.
Les attaques adverses peuvent détruire les performances du modèle et causer des problèmes majeurs de déploiement.
La modélisation de la classification est confrontée à des défis émergents et à une législation potentielle.

Foire aux questions

Que couvre ce cours ?

Le cours explique comment choisir le bon modèle de classification en tenant compte des compromis, des défis courants tels que les biais, l'équité et les problèmes de collecte de données, l'équilibre entre l'exactitude et l'explicabilité, les attaques adverses, et les défis émergents et la législation potentielle dans la modélisation de la classification.

Quels sujets sont inclus dans les leçons ?

Les leçons comprennent le Choix du bon modèle, les Problèmes de collecte de données, l'Explicabilité, les Biais et l'équité, les Attaques adverses et les Défis émergents.

Quelles compétences vais-je acquérir grâce à ce cours ?

Le cours développe des compétences en classification de données, apprentissage de caractéristiques, métriques d'apprentissage, apprentissage automatique, formation de modèles d'apprentissage automatique et classification statistique.

Le cours aborde-t-il l'équité et les biais dans les modèles ?

Oui. Les leçons couvrent les biais et l'équité en tant que défis courants dans les modèles de classification et soulignent l'importance de rester conscient des groupes que vos modèles peuvent affecter.

Le cours aborde-t-il les risques de sécurité pour les modèles de classification ?

Oui. Il couvre les attaques adverses qui peuvent détruire les performances du modèle et causer des problèmes majeurs de déploiement.