« Dérive du modèle » : différence entre les versions
m (Remplacement de texte : « ↵↵↵==Sources== » par « ==Sources== ») |
Aucun résumé des modifications |
||
| (4 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
La dérive du [[modèle|modèle d'apprentissage]] ou dégradation du modèle (en anglais, ''model drift'') désigne la perte de performance d'un [[modèle|modèle d'apprentissage]] dans le temps. | La dérive du [[modèle|modèle d'apprentissage]] ou dégradation du modèle (en anglais, ''model drift'' ou ''model decay'') désigne la perte de performance d'un [[modèle|modèle d'apprentissage]] dans le temps. | ||
La dérive du [[modèle|modèle d'apprentissage]] peut résulter de modification au modèle mais surtout de changements dans les données. | La dérive du [[modèle|modèle d'apprentissage]] peut résulter de modification au modèle mais surtout de changements dans les données. | ||
==Compléments== | ==Compléments== | ||
La dégradation peut être causée par la '''[[dérive conceptuelle]]''', la '''[[dérive des données]]''' et la modification des données en amont. | |||
Un [[modèle|modèle d'apprentissage]] est entraîné sur des données d'entraînement ayant une certaine distribution statistique. Si les données dans l'environnement de production ( | Un [[modèle|modèle d'apprentissage]] est entraîné sur des données d'entraînement ayant une certaine distribution statistique. Si les données dans l'environnement de production ou en [[inférence]] (c.-à-d. avec des données fraîches) ont une distribution statistique différente, la performance du modèle en sera affectée. | ||
Par exemple, prenons un modèle statistique créé pour identifier des insectes ravageurs sur la base d'insectes qui ont pu proliférer il y a 5 ans. Ce modèle est capable d'identifier ces insectes ravageurs, et d'alerter les agriculteurs des invasions potentielles de ces insectes. Mais, avec le temps, de nouvelles espèces d'insectes ravageurs exotiques sont importées accidentellement de l'étranger ou se déplacent à la faveur des changements climatiques. Les menaces évoluent, et le système d'identification entraînés sur les données des insectes ravageurs des années précédentes deviendra de moins en moins capable de classer correctement les nouvelles menaces. Ceci est un exemple de dérive du modèle. | Par exemple, prenons un modèle statistique créé pour identifier des insectes ravageurs sur la base d'insectes qui ont pu proliférer il y a 5 ans. Ce modèle est capable d'identifier ces insectes ravageurs, et d'alerter les agriculteurs des invasions potentielles de ces insectes. Mais, avec le temps, de nouvelles espèces d'insectes ravageurs exotiques sont importées accidentellement de l'étranger ou se déplacent à la faveur des changements climatiques. Les menaces évoluent, et le système d'identification entraînés sur les données des insectes ravageurs des années précédentes deviendra de moins en moins capable de classer correctement les nouvelles menaces. Ceci est un exemple de dérive du modèle. | ||
| Ligne 19 : | Ligne 20 : | ||
== Anglais == | == Anglais == | ||
'''model drift''' | '''model drift''' | ||
'''model decay''' | |||
==Sources== | ==Sources== | ||
Dernière version du 7 juin 2025 à 10:59
Définition
La dérive du modèle d'apprentissage ou dégradation du modèle (en anglais, model drift ou model decay) désigne la perte de performance d'un modèle d'apprentissage dans le temps.
La dérive du modèle d'apprentissage peut résulter de modification au modèle mais surtout de changements dans les données.
Compléments
La dégradation peut être causée par la dérive conceptuelle, la dérive des données et la modification des données en amont.
Un modèle d'apprentissage est entraîné sur des données d'entraînement ayant une certaine distribution statistique. Si les données dans l'environnement de production ou en inférence (c.-à-d. avec des données fraîches) ont une distribution statistique différente, la performance du modèle en sera affectée.
Par exemple, prenons un modèle statistique créé pour identifier des insectes ravageurs sur la base d'insectes qui ont pu proliférer il y a 5 ans. Ce modèle est capable d'identifier ces insectes ravageurs, et d'alerter les agriculteurs des invasions potentielles de ces insectes. Mais, avec le temps, de nouvelles espèces d'insectes ravageurs exotiques sont importées accidentellement de l'étranger ou se déplacent à la faveur des changements climatiques. Les menaces évoluent, et le système d'identification entraînés sur les données des insectes ravageurs des années précédentes deviendra de moins en moins capable de classer correctement les nouvelles menaces. Ceci est un exemple de dérive du modèle.
En général, pour corriger la situation, on peut de réentraîner le modèle avec de nouvelles données.
Français
dérive du modèle
dégradation du modèle
Anglais
model drift
model decay
Sources
Contributeurs: Claude Coulombe, Patrick Drouin, wiki
