Erreur d'entraînementIl s’agit de l’erreur qui se produit lors de l’apprentissage des données, qui peut être considérée comme la perte moyenne du modèle sur les données d’apprentissage.

La différence entre l'erreur d'entraînement et les autres erreurs

• Erreur d'apprentissage : l'erreur du modèle sur l'ensemble d'apprentissage
• Erreur de validation : l'erreur du modèle sur l'ensemble de validation
• Erreur de test : l'erreur du modèle sur l'ensemble de test
• Erreur de généralisation : mesure la généralisation du modèle
• En général, la relation entre eux est la suivante : erreur d'apprentissage < erreur de validation < erreur de test ≒ erreur de généralisation

Le rôle de l'erreur d'entraînement

• Ensemble d'apprentissage : utilisé pour ajuster le modèle, comparer la taille de l'erreur d'apprentissage et obtenir les paramètres du modèle ;
• Erreur d'entraînement minimale : utilisée pour trouver un modèle spécifique et ajuster les paramètres associés ;
• Ensemble de tests : utilisé pour évaluer le modèle. En calculant l’écart et la variance du modèle par rapport à l’ensemble de test, l’erreur de test peut être minimisée.
• Résumé : Pour l’erreur d’entraînement, le biais et la variance ne sont pas pris en compte, seule l’erreur d’entraînement doit être minimisée.

Termes connexes : erreur de validation, erreur de test, erreur de généralisation