Sélectionner et personnaliser des architectures et des hyperparamètres à l’aide d’une forêt aléatoire
Il est souvent possible de personnaliser manuellement les modèles plus complexes pour améliorer leur efficacité. Grâce aux exercices et au contenu explicatif, nous découvrons comment la modification de l’architecture de modèles plus complexes peut apporter des résultats plus probants.
Objectifs d’apprentissage
Dans ce module, vous allez :
- Découvrir les nouveaux types de modèles : les arbres de décision et les forêts aléatoires.
- Découvrir comment l’architecture de modèle peut influer sur les performances.
- Vous entraîner à utiliser des hyperparamètres pour rendre l’entraînement plus efficace.
Prérequis
Connaissance des modèles Machine Learning