Complexité du modèle et surapprentissage

Concevoir des workflows de Machine Learning en Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Qu'est-ce que la complexité d'un modèle ?

RandomForestClassifier() accepte des arguments supplémentaires, comme max_depth :

help(RandomForestClassifier)

Help on class RandomForestClassifier in module sklearn.ensemble.forest:
...
 |  max_depth : integer or None, optional (default=None)
 |      The maximum depth of the tree. If None, then nodes are expanded until
 |      all leaves are pure or until all leaves contain less than
 |      min_samples_split samples.

m2 = RandomForestClassifier(
    max_depth=2)
m2.fit(X_train, y_train)

m2.estimators_[0]

Un arbre de décision de profondeur 2.

m4 = RandomForestClassifier(
    max_depth=4)
m4.fit(X_train, y_train)

m4.estimators_[0]

Un arbre de décision de profondeur 4.

La pratique courante consiste à séparer les données en ensembles d'entraînement, de test (ou développement) et de validation (ou hold‑out).

En validation croisée, la séparation entraînement‑test est répétée. Le jeu de données est découpé en N blocs ; à chaque itération, N‑1 servent à l'entraînement et le bloc restant au test.

Validation croisée

Évaluer la précision avec cross_val_score() :

from sklearn.model_selection import cross_val_score

cross_val_score(RandomForestClassifier(), X, y)

array([0.7218 , 0.7682, 0.7866])

numpy.mean(cross_val_score(RandomForestClassifier(), X, y))

0.7589

Régler la complexité du modèle

Ajuster la profondeur avec GridSearchCV() :

from sklearn.model_selection import GridSearchCV
param_grid = {'max_depth':[5,10,20]}
grid = GridSearchCV(RandomForestClassifier(), param_grid)
grid.fit(X,y)
grid._best_params

{'max_depth': 10}

La précision en échantillon démarre à 0,7 pour une profondeur max de 3 et augmente presque jusqu'à 1,0 quand la profondeur va de 5 à 30.

La précision hors échantillon démarre aussi à 0,7, atteint 0,75 pour une profondeur de 10 puis retombe à 0,7 pour des profondeurs plus grandes.

La zone à partir de la profondeur 10 est en rouge, indiquant un surapprentissage.

Plus complexe n'est pas toujours mieux !

Concevoir des workflows de Machine Learning en Python