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 discuté précédemment, mais réduit les nœuds disponibles tout en conservant l'ensemble des capacités expérimentales :

• Nœud de jeu de données (déjà évoqué dans l'Initialisation).

• Nœud de nettoyage (déjà évoqué dans l'Initialisation).

• Nœud de comparaison de modèles : Former et évaluer les performances 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 qui peuvent être exploitées pour orienter les expériences principales, comme illustré dans le nouveau flux de travail d'apprentissage automatique.

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 d'apprentissage automatique simultanément, facilitant l'identification du meilleur candidat 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 d'apprentissage automatique immédiatement après avoir connecté le 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 d'apprentissage automatique testés :

Exemple de résultats du nœud Comparer les modèles

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

La section finale décrit les principales pratiques à éviter pour des performances optimales et une exécution fiable au sein du module d'apprentissage.