Bonjour, tout d'abord je souhaite vous remercier pour le travail que vous fournissez. Etant étudiant en école d'ingénieur vos vidéos sont d'une grande aide pour moi. Je souhaiterais savoir si vos slides sont accessibles depuis un site internet ou autre. En effet en continuant votre série sur le machine Learning on accumule beaucoup d'information. Avoir à disposition vos slides constituerait un vrai plus !
Ce sont des métriques d'évaluation (dont les formules se trouvent ici : ua-cam.com/video/Hf2GEfAGnN4/v-deo.html). L'idéal est d'utiliser différents algorithmes et choisir celui qui donne les métriques les + faibles. La métrique R² est plus facile à interpréter : au plus près de 1 c'est, au mieux c'est.
On fait pour que le code marche faut utiliser regressor.fit(X_train.values.reshape((-1, 1)), y_train) pour une raison d'eviter une dispute avec votre data ou bien generer une data bien gentille avec ce ci x = np.linspace(0, 100, 100) y = 5 * x - 12 ry = np.random.normal(scale=80,size=y.shape[0]) + y
Bonjour, tout d'abord je souhaite vous remercier pour le travail que vous fournissez. Etant étudiant en école d'ingénieur vos vidéos sont d'une grande aide pour moi. Je souhaiterais savoir si vos slides sont accessibles depuis un site internet ou autre. En effet en continuant votre série sur le machine Learning on accumule beaucoup d'information. Avoir à disposition vos slides constituerait un vrai plus !
Bonjour, mes slides ne sont malheureusement pas disponibles sur un site internet.
Top !
Bonjour, pourrais tu expliquer quel est l'interprétation des valeur de MAE, MSE et RMSE dans ton exemple ? Merci
Ce sont des métriques d'évaluation (dont les formules se trouvent ici : ua-cam.com/video/Hf2GEfAGnN4/v-deo.html). L'idéal est d'utiliser différents algorithmes et choisir celui qui donne les métriques les + faibles. La métrique R² est plus facile à interpréter : au plus près de 1 c'est, au mieux c'est.
Merci pour la video. Super travail.
Juste une question, lorsque que tu crées la droite pourquoi tu prends 0.15 et 1000 ? A quoi ca correspond ?
On va de 0 à 15 sur l'axe des abscisses et on a 1000 données pour x comprises entre 0 et 15.
Trés bonne video, où peut on trouver cette database?
www.kaggle.com/datasets/devchauhan1/salary-datacsv
On fait pour que le code marche faut utiliser
regressor.fit(X_train.values.reshape((-1, 1)), y_train)
pour une raison d'eviter une dispute avec votre data
ou bien generer une data bien gentille avec ce ci
x = np.linspace(0, 100, 100)
y = 5 * x - 12
ry = np.random.normal(scale=80,size=y.shape[0]) + y
Peut-être un changement de versions...