La diversité des modèles compte-t-elle vraiment dans un ensemble ML ?
Pourquoi combiner des modèles différents ne garantit pas un meilleur ensemble : erreurs corrélées, complémentarité et validation du système complet.
Ibexcode
Publications Tags : #Expérimentation
Nos Articles
Articles techniques, retours d’expérience, choix d’architecture et leçons tirées de projets réels.
Apprentissage machine et apprentissage humain, des problèmes étonnamment proches
Mémorisation, généralisation, évaluation, erreurs : ce que le Machine Learning révèle sur l'apprentissage.
Ibexcode
Quand une amélioration ML disparaît à la validation
Pourquoi un gain ML apparent peut disparaître lors d'une validation plus rigoureuse : incertitude statistique, biais de sélection, redondance et impact système.
Ibexcode