Sklearn make_scorer tutoriel : Créer vos propres métriques.

Dans ce tutoriel python français, je vous montre comment utiliser la fonction make_scrorer de sklearn. Cette fonction est utile pour créer vos propres métriques dans sklearn et développer des modeles de Machine Learning / Data Science sur la base de ces métriques (via la Cross Validation et GridSeachCV)

► MON SITE INTERNET EN COMPLÉMENT DE CETTE VIDÉO:

► REJOINS NOTRE COMMUNAUTÉ DISCORD

► D'autres BONUS sur Tipeee:

► Recevez gratuitement mon Livre:
APPRENDRE LE MACHINE LEARNING EN UNE SEMAINE
CLIQUEZ ICI:

► Télécharger gratuitement mes codes sur github:

► Qui suis-je ?
Je m’appelle Guillaume Saint-Cirgue et je suis Data Scientist au Royaume Uni. Après avoir suivi un parcours classique maths sup maths spé et avoir intégré une bonne école d’ingénieur, je me suis tourné vers l’intelligence artificielle de ma propre initiative et j’ai commencé à apprendre tout seul le machine learning et le deep learning en suivant des formations payantes, en lisant des articles scientifiques, en suivant les cours du MIT et de Stanford et en passant des week end entier à développer mes propres codes.
Aujourd’hui, je veux vous offrir ce que j’ai appris gratuitement car le monde a urgemment besoin de se former en Intelligence Artificielle.
Que vous souhaitiez changer de vie, de carrière, ou bien développer vos compétences à résoudre des problèmes, ma chaîne vous y aidera.
C’est votre tour de passer à l’action !

[kevingerry]

"Avec vous, les sujets complexes semblent tellement simples. Merci pour cette vidéo !"

[LaurentD]

Encore une excellente vidéo. Au passage, les videos sur Tipeee sont énormes.

[ibrahimdiarra]

Bonjour, je me nomme Ibrahim Diarra etudiant en Master 2 Systeme d'information et tres passionne par la data science, je suis vos tutoriel et j'aimerais vraiment travailler dans ce domaine. vous etes le meilleur sur youtube que j'ai vu dans ce domaine. vous me donner gout de continuer.

[kingprince]

merci pour la vidéo, et j'ai beaucoup aimer l'intro qui donne bien le contexte entreprise, ça m'aide beaucoup, car pour comprendre j'aime beaucoup conceptualiser pour me mettre en situation d'entreprise ou cas concret, sinon je ne comprendrais rien.

[mbouchra]

Merci bcp; c'est super, bn continuation

[amyd.]

Vidéo super utile merci ! Les infographies publiées sur tipeee sont top ! 👍

[ulrichkarlodjo]

Hello World 👋🏾! Super vidéo Machinelearnia je crois que je vais énormément m’en servir 😅

[abdoulayediop]

J’aimerais bien recevoir tes conseils, je suis en Master2 de Data Science

[MiisterSiix]

Merci pour cette vidéo ainsi que pour toutes les autres, elles sont géniales.


J'aurai une question concernant la normalisation des données dans un dataset.
Je ne comprend pas en quoi cela est utile dans le développement d'un modèle de ML et tu ne l'utilise jamais dans tes modèles, par exemple dans le dataset des prix de l'immobilier de Boston. Pourtant les features n'ont pas la même unités.


Si tu as une brève explication, je serai ravi de l'entendre et si la raison est plus complexe cela pourrai faire un sujet de vidéo assez cool.


Bonne continuation

[oulaimonsiorodrigue]

Merci beaucoup pour ces enseignements bien conçus et avec une belle translation mais svp Mr Saint-Cirgue, pouvez-vous faire une vidéo sur l'implémentation de l'algorithme du gradient à pas constant sous un programme de votre
choix (Scilab ou Python) ?

[espoireespoire]

Merci infiniment pour cette super vidéo😌
est ce que on peut tracer la courbe d'erreur pour le dernier model ? Vraiment merci pour ta présence et pour cette chaine YouTube.

[TheRemiRODRIGUES]

Super !
Je m'étais toujours demandé comment s'adapter à des cas spécifiques.
Du genre, une tolérance de 10 % est acceptable, mais il ne faut surtout pas de faux positifs.
Merci !

[imedkhabbouchi]

Très belle vidéo merci pour le partage.
J'ai une petite question comment peut on calculer le "confidence interval" et "Prediction interval" dans le cas de forecasting d'une "time series" avec le régresseur SVR?
Merci d'avance

[FRUXT]

Quand tu utilises cross validation et grid cv pourquoi tu passes en argument X et y et pas X_train et y_train ?

[Cool_spot_]

Bonjour !

Avant tout j'espère que tu as passé un bon réveillon.

Et merci pour le contenu de ta chaîne :)


Intéressé par l'application de la ML avec le business, je serai intéressé d'échanger avec toi sur nos parcours respectifs et notamment ce que tu entends par "ML engineer" : Les definitions que j'ai trouvé ne recouvrent pas tous le même champs et il est assez difficile de trouvé un profil et compétences types (par exemple).

Ce serait avec grand plaisir d'échanger avec toi si tu l'accepte :)

[koben]

Merci à toi. fais péter l'url du site de tip participatif...

[mohammed_yazidcherifi]

Merci infiniment pour cette vidéo,
j'ai juste une petite question, là on a utilisé la régression et ça a donné un mauvais score, et même avec le SVR ça ne donne pas vraiment de très bon résultats; alors je me demandais quel serait le(les) meilleurs modèles pour ce genre de dataset ?


Merci beaucoup.
Cordialement.

[ginobilly]

Super vidéo !!
J'ai une question:
Dans le cadre d'une classification à 3 classes, comment construire sa métrique avec la probabilité pour chaque classes donnée par notre modèle ( c-à-d que j'aimerais utiliser dans la fonction qui calcule mon indice de performance ) ?

[shootsoccer]

Bonjour Guillaume, Pouvez vous m'aidez sur ce probleme: je bloc sur
#model = SVR(kernel='rbf', degree=3)

#param = {'gamma': np.arrange(0.1, 1, 0.05)}

#grid = GridSearchCV(model, param_grid=param, cv=3, scoring=custom_score)



il plante a cette endroit et me donne comme erreur

File "C:\Users\pierre\anaconda3\lib\site-packages\numpy\__init__.py", line 214, in __getattr__
raise AttributeError("module {!r} has no attribute "
pourtant j'ai tout comme la video!!

[noel]

La fonction mean_absolute_error(y, y_pred) doit correspondre à la fonction vue dans un précédent tuto soit :

def coeff_determination(y,  pred):
     u = ((y - pred)**2).sum()
     v = ((y - y.mean())**2).sum()
     return 1 - u/v

coeff_determination(y,  predictions)

Est-ce bien cela ?

Merci.