Scène expérimentale

Cette page couvre tout ce que vous devez savoir sur la scène expérimentale et sur la manière dont elle peut être utilisée comme environnement de test initial.

Ce nouveau type de scène applique le même nouveau design abordé précédemment, mais réduit les nœuds disponibles tout en conservant des capacités expérimentales complètes :

• Nœud de jeu de données (abordé précédemment dans l'Initialisation).

• Nœud de nettoyage (abordé précédemment dans l'Initialisation).

• Nœud de comparaison des modèles: Entraînez et évaluez la performance de tous les estimateurs disponibles dans la bibliothèque de modèles.

Principales différences entre la scène Principale et la scène Expérimentale

Cette configuration fournit un environnement de test dédié pour les expériences d'apprentissage automatique, permettant aux utilisateurs d'évaluer et de sélectionner l'algorithme optimal pour leur tâche tout en disposant d'estimations de performance initiales pouvant être exploitées pour guider les expériences principales, comme illustré dans le nouveau flux de travail de machine learning.

Nœud Comparer les modèles :

Disponible uniquement en mode Expérimental et utilisé dans la Boîte d'entraînement, le nœud Comparer les modèles vous permet d'entraîner et d'évaluer efficacement plusieurs estimateurs de machine learning simultanément, facilitant l'identification du meilleur performant pour votre tâche. Tout en offrant de nombreuses options de configuration pour les utilisateurs avancés, le nœud ne requiert aucun paramètre obligatoire, et vous pouvez commencer à comparer différents algorithmes de machine learning immédiatement après la connexion du nœud.

Notez que le nœud Comparer les modèles est basé sur la fonction de PyCaret compare_models().

Nœud Comparer les modèles

Les résultats du nœud Comparer les modèles contiennent l'ensemble complet des métriques de performance pour tous les algorithmes de machine learning testés :

Exemple de résultats du nœud Comparer les modèles

Notez qu'en mode Expérimental, les modèles sont entraînés et testés en utilisant une seule itération, ce qui entraîne un faible biais mais une grande variance (incertitude).

La section finale décrit les pratiques clés à éviter pour une performance optimale et une exécution fiable au sein du module d'apprentissage.