AI 용어집
인공지능 완전 사전
Validation Croisée
Technique d'évaluation partitionnant les données en sous-ensembles pour tester la généralisation du modèle sur plusieurs itérations.
Tests Statistiques
Méthodes statistiques formelles pour comparer significativement les performances entre différents modèles ou configurations.
Métriques de Performance
Ensemble d'indicateurs quantitatifs (précision, rappel, F1-score, MAE, RMSE) mesurant la qualité des prédictions selon le contexte.
Analyse Biais-Variance
Décomposition de l'erreur de généralisation en biais (sous-apprentissage) et variance (surapprentissage) pour optimiser la complexité du modèle.
Tests de Robustesse
Évaluation de la stabilité des prédictions face aux perturbations, bruit et variations dans les données d'entrée.
Validation Temporelle
Méthodologie spécifique aux données séquentielles où l'entraînement utilise des périodes antérieures au test pour simuler des conditions réelles.
Courbes ROC et AUC
Outils graphiques et métriques pour évaluer les performances des classificateurs binaires à différents seuils de décision.
Calibration de Modèles
Ajustement des probabilités prédites pour qu'elles reflètent fidèlement les vraies fréquences d'occurrence des événements.
Tests d'Équité
Évaluation des biais démographiques et discrimination potentielle du modèle selon des critères éthiques et réglementaires.
Analyse d'Erreurs
Examen systématique des prédictions incorrectes pour identifier les schémas d'échec et guider l'amélioration du modèle.
Validation par Bootstrap
Technique de rééchantillonnage avec remplacement pour estimer la variabilité et la fiabilité des métriques de performance.
Tests de Stress
Évaluation du comportement du modèle dans des conditions extrêmes ou edge cases pour identifier ses limites opérationnelles.
Tests de Sensibilité
Analyse de l'impact des variations des caractéristiques d'entrée sur les prédictions pour comprendre la stabilité du modèle.
Validation Externe
Test du modèle sur des données provenant de sources ou distributions complètement nouvelles pour évaluer sa capacité de généralisation.
Tests de Dégradation
Suivi continu de la performance du modèle en production pour détecter les drifts de données et la dégradation temporelle.