Validation de modèle et rééchantillonnage en R

Comment mesurer la précision d’un modèle prédictif en R et lui faire confiance — métriques de précision en régression (R², R² ajusté, RMSE, MAE, AIC, BIC), validation croisée (k-fold, LOOCV, répétée) et rééchantillonnage bootstrap. Des recettes pratiques et reproductibles avec tidymodels et yardstick.

Apprendre › Machine Learning › Validation de modèle

Un modèle qui s’ajuste bien à vos données d’entraînement peut malgré tout mal prédire des données nouvelles — cet écart, c’est le surapprentissage, et la validation de modèle est la façon de le détecter. Cette série couvre les deux questions auxquelles tout modèle prédictif doit répondre : quelle est sa précision ? (la bonne métrique, lue correctement) et cette précision tiendra-t-elle sur des données qu’il n’a jamais vues ? (un rééchantillonnage honnête — validation croisée et bootstrap). Chaque recette est reproductible, construite sur le workflow tidymodels.

Comment valider un modèle

1. Choisissez et lisez la bonne métrique de précision. Pour la régression, cela signifie R², R² ajusté, RMSE, MAE, AIC et BIC — et savoir ce que chacune signifie et quand elle compte (R² = variance expliquée ; RMSE pénalise les grosses erreurs ; AIC/BIC comparent les modèles).
2. Estimez la précision sur des données que le modèle n’a jamais vues. Une seule division entraînement/test est bruitée. La validation croisée (k-fold, LOOCV, répétée) moyenne sur de nombreuses divisions pour une estimation stable et honnête.
3. Quantifiez l’incertitude. Le rééchantillonnage bootstrap place un intervalle de confiance autour d’un coefficient ou d’un score de performance en rééchantillonnant avec remise.

Voici la moitié évaluation de l’apprentissage supervisé — associez-la à la sélection de modèle (quel modèle ?) ainsi qu’aux méthodes de classification et d’apprentissage statistique.

Toutes les leçons

Note

Ce guide se complète vague après vague — d’abord les métriques de précision, la validation croisée et le rééchantillonnage bootstrap, le reste du pilier supervisé (sélection de modèle, classification, méthodes à base d’arbres, explicabilité) suivant ensuite.

🟢 Avec un agent IA

Demandez à Prova « mon modèle fait-il du surapprentissage, et quelle est vraiment sa précision ? » — elle répond avec du code R que vous pouvez exécuter sur votre propre modèle, met en place la validation croisée et vous aide à lire les métriques rééchantillonnées. The runtime is the judge. Demander à Prova →

Cette page vous a-t-elle été utile ?

Prouvez que vous savez le faire. Maîtrisez toute la série Validation de modèles en R — suivez votre parcours, construisez des projets et obtenez un certificat.

Commencer gratuitement →

Passez à Pro — Prova illimité sur vos propres données et un certificat vérifiable qui atteste la compétence.

dès 15 $/mois facturé annuellement

Passer à Pro →

✓ Vous êtes Pro — continuez. The runtime is the judge.

Prêt à passer à la vitesse supérieure ?

Essayez sur vos propres données avec Prova — the runtime is the judge.Ouvrir Prova →

Recevez les nouvelles leçons R & Python par e-mail

Pratique, reproductible, sans spam. Désinscription à tout moment.

Double opt-in. Nous ne partageons jamais votre e-mail.

Partager cette pageXLinkedInRedditHN