Quantification de l’incertitude

Définition

Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle. Pour un exemple de quantification de l’incertitude, voir cet article : Quantification des erreurs aléatoires dans l’apprentissage automatique.

Français

Quantification de l’incertitude

Anglais

Uncertainty Quantification

It is important to build machine learning models that will yield unbiased estimates of uncertainties in calculated outcomes. Due to the inherent randomness in the dataset and model, evaluation parameters such as the R2 score are random variables, and thus it is important to estimate the degree of uncertainty in the model. For an example of uncertainty quantification, see this article: Random Error Quantification in Machine Learning.

source:kdnuggets.com