WorksheetsQuiz – Evaluation of Machine Learning Models
Total questions: 17
Worksheet time: 9mins
Un modèle performant est toujours celui qui obtient la meilleure précision sur les données d'entraînement.
Vrai
Faux
Quel est l'objectif principal de l'évaluation d'un modèle ?
Mesurer la vitesse d'exécution du modèle
Vérifier sa capacité de généralisation
Vérifier la taille du jeu de données
Maximiser le nombre de paramètres
Le surapprentissage se produit lorsqu'un modèle apprend trop bien les détails des données d'entraînement.
Vrai
Faux
Quelle méthode fournit une meilleure estimation des performances du modèle ?
Division aléatoire unique en train/test
Validation croisée (k-fold)
Utiliser un seul point de test
La classification consiste en :
Prédire une valeur continue
Prédire une catégorie ou une classe
Minimiser la variance du modèle
La régression est utilisée pour :
A. Catégoriser les e-mails comme spam/non-spam
B. Prédire le prix d'une maison
C. Déterminer si une photo contient un animal
L'exactitude est toujours une métrique fiable, même si les classes sont déséquilibrées.
Vrai
Faux
Si vous souhaitez minimiser les faux positifs, quelle métrique devez-vous optimiser ?
Rappel
Précision
F-mesure
Le rappel est la mesure de :
La proportion de vrais positifs parmi les prédictions positives
La proportion de vrais positifs parmi les positifs réels
La proportion de vrais négatifs parmi les négatifs réels
Le score F1 est :
La moyenne arithmétique de la précision et du rappel
La moyenne harmonique de la précision et du rappel
Un rapport entre la précision et l'exactitude
La MSE (Mean Squared Error) pénalise davantage :
Les petites erreurs
Les grosses erreurs
Les erreurs négatives seulement
Quelle métrique est la plus robuste aux outliers ?
MSE
RMSE
MAE
Le R² mesure :
La variance expliquée par le modèle
Le taux d’erreurs absolues
La moyenne des prédictions correctes
Un R² négatif signifie que le modèle fait pire qu’une prédiction constante (moyenne de Y).
True
False
Quel type de problème est le mieux adapté à la classification ?
Estimer la distance parcourue par une voiture
Identifier si un e-mail est du spam ou non
Prédire la température d'une ville
Quelle affirmation décrit le mieux le phénomène de sous-apprentissage ?
Le modèle mémorise parfaitement les données d'entraînement
Le modèle obtient une précision parfaite sur les données de test
Le modèle ne capture pas suffisamment la structure des données
Laquelle des métriques suivantes est la plus appropriée pour évaluer un modèle de classification avec des classes déséquilibrées ?
Exactitude
Score F1
Erreur quadratique moyenne
