Hyperparamètres

Les hyperparamètres sont les réglages d’un algorithme d’apprentissage machine que vous devez décider avant d’entraîner le modèle. Ils peuvent fortement influencer la performance du modèle. Pensez aux hyperparamètres comme aux réglages d’un appareil photo avant de prendre une photo, comme l’ouverture ou la vitesse d’obturation, qui déterminent comment la photo va sortir avant même de prendre la photo.

Exemple : Lors de l’utilisation d’un algorithme de forêt aléatoire, les hyperparamètres incluent le nombre d’arbres à construire (n_estimators) et la profondeur maximale des arbres (max_depth). En ajustant ces hyperparamètres, vous pouvez contrôler l’équilibre entre le risque de surapprentissage (overfitting) et de sous-apprentissage (underfitting) du modèle.

Retourner à l'index du lexique