← Tous les exercices
Repérer le sur-apprentissage sur les courbes
Partie 3 · ★
On suit à chaque époque la perte sur les images d'entraînement et sur les images de validation (le troisième groupe, qui sert à choisir). Quand la perte d'entraînement continue de baisser mais que celle de validation remonte, le réseau apprend ses images par cœur.
Voici 8 époques (exemple ajouté, valeurs simples). Trouve la meilleure époque de validation (numérotée à partir de 1), l'écart validation − entraînement à la fin, puis écris une fonction diagnostic qui répond True si la validation est remontée alors que l'entraînement a continué à baisser depuis la meilleure époque.
pertes_train = [0.69, 0.52, 0.40, 0.31, 0.24, 0.18, 0.13, 0.09] pertes_val = [0.68, 0.55, 0.47, 0.44, 0.46, 0.50, 0.56, 0.63] meilleure_epoque = pertes_val.index(___(pertes_val)) + 1 ecart_final = pertes_val[-1] - pertes_train[___] def diagnostic(train, val): i = val.index(min(val)) return val[-1] > min(val) and train[-1] < train[___] sur_apprentissage = diagnostic(pertes_train, pertes_val)
Ctrl/⌘+Entrée