Aller au contenu
English

Nettoyer, séparer et chercher les fuites

  • Leçon 4
  • 45 min
  • Module 2 : Préparer des données d'entraînement fiables

Où nous en sommes

Dans la dernière leçon, nous avons donné une même structure à chaque exemple d'entraînement et noté l'origine de chaque enregistrement. Mais certains enregistrements enseignent encore une erreur : de mauvaises réponses, des doublons, des données privées, ou des quasi-copies de cas de test qui gonflent le score. Dans cette leçon, nous les retirons avec des règles fixes, séparons le reste équitablement et comptons les types de billets que les données ne montrent jamais, comme une collègue expérimentée qui vérifie d'abord le dossier.

Leçon 4 sur 12 · Réglage fin et adaptation des modèles d'IANettoyer, séparer et chercher les fuites

Ce que vous saurez faire

Retirez les enregistrements qui enseigneraient une mauvaise réponse au modèle ou gonfleraient son score. Séparez ensuite le reste équitablement, puis comptez les types de billets que les données d’entraînement ne montrent jamais.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 45 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

  • Votre projet de la dernière leçon : python -m pytest affiche 12 passed (12 tests réussis).

Testé avec Python 3.12 sur macOS. Les commandes Windows (PowerShell) sont écrites, mais n’ont pas été testées.

Avant de remettre le dossier de billets de soutien résolus à la nouvelle employée, une collègue expérimentée le lit. Elle retire les feuilles contenant une mauvaise réponse ou le mot de passe d’un client. Elle retire les photocopies, car dix copies enseignent dix fois le contenu d’une même feuille. Elle retire aussi toute feuille qui ressemble presque à une question du test. Enfin, elle compte : y a-t-il un exemple de chaque type de billet? Cette leçon transforme ces étapes en une seule commande, prepare, qui consigne chaque retrait et sa raison.

Le problème : quatre types de mauvais enregistrements

Section intitulée « Le problème : quatre types de mauvais enregistrements »

Chaque type cause des dommages sans signe visible : rien ne plante, et la perte d’entraînement diminue.

  • Une mauvaise étiquette enseigne la mauvaise réponse. Le cours sur l’apprentissage profond a volontairement attribué la mauvaise équipe à 70 étiquettes.
  • Un secret, comme un mot de passe ou un numéro de carte, peut réapparaître mot pour mot dans une réponse du modèle.
  • Un doublon compte un billet deux fois. Une copie dans les données d’entraînement et une autre dans celles de validation rendent le score de validation trop bon.
  • Une fuite vers l’évaluation est un enregistrement d’entraînement identique, ou presque identique, à un cas d’évaluation. Le modèle apprend la réponse à une question du test.

Ce dernier problème porte le nom général de fuite de données : de l’information du test atteint les données d’entraînement.

L’idée : des règles fixes et chaque rejet consigné

Section intitulée « L’idée : des règles fixes et chaque rejet consigné »

prepare vérifie chaque enregistrement selon quatre règles, dans cet ordre : mauvaise étiquette connue, secret, doublon ou quasi-copie, fuite vers l’évaluation. La première règle enfreinte rejette l’enregistrement. Celui-ci va dans data/prepared/rejected.jsonl avec la raison du rejet.

Les copies exactes sont faciles à trouver; les quasi-copies demandent une mesure de similarité. Le projet utilise le chevauchement des trigrammes de mots. Découpez chaque texte en toutes ses séquences de trois mots. Divisez ensuite le nombre de séquences communes aux deux textes par le nombre total de séquences différentes. Des textes identiques obtiennent un score de 1. Voici la seule vraie fuite dans les données, en minuscules et sans ponctuation :

Billet d'entraînement T-64315, Veuillez supprimer mon compte et toutes mes données, à côté du cas réservé T-64954, Supprimez donc mon compte et toutes mes données. Cinq triplets de mots sont communs aux deux textes anglais : supprimer mon compte, mon compte et, compte et toutes, et toutes mes, toutes mes données. Seulement dans T-64315 : veuillez supprimer mon. Seulement dans T-64954 : supprimez donc mon, mes données enfin. Chevauchement = 5 triplets communs divisés par 8 triplets différents = 0,62, soit au moins 0,40. Le billet d'entraînement est donc rejeté comme fuite vers l'évaluation.
Chevauchement des trigrammes de mots pour la seule vraie fuite : 5 triplets communs sur 8 triplets différents.
Description textuelle du diagramme

Le billet d’entraînement T-64315 dit « Veuillez supprimer mon compte et toutes mes données?? ». Le cas réservé T-64954 dit « Supprimez donc mon compte et toutes mes données enfin ». Le premier texte anglais contient six triplets de mots, et le second, sept. Cinq triplets sont communs aux deux : « supprimer mon compte », « mon compte et », « compte et toutes », « et toutes mes » et « toutes mes données ». Un seul appartient au billet d’entraînement (« veuillez supprimer mon »). Deux appartiennent seulement au cas réservé (« supprimez donc mon » et « mes données enfin »). Il y a donc 8 triplets différents, et le chevauchement est de 5 ÷ 8 = 0,62. La limite du projet est de 0,40, donc le billet d’entraînement est rejeté.

La limite de 0,40 a un coût. Les billets courts l’atteignent facilement : « Bonjour, accès bloqué après trop de tentatives. Merci » et « À l’aide! Accès bloqué après trop de tentatives concernant un parasol » obtiennent exactement 0,40. Le premier est donc retiré. Cela fait perdre un bon enregistrement sur 4 696. Une fuite non détectée coûte davantage : un test auquel on ne peut plus se fier.

La première règle de détection des secrets était mauvaise. Elle repérait « le mot de passe est » suivi de n’importe quel mot, et signalait 12 billets d’entraînement. Aucun ne contenait de mot de passe; ils disaient par exemple « mon mot de passe est incorrect ». La règle exige maintenant un chiffre ou un symbole dans ce mot, et ne signale plus aucun de ces billets. Testez une règle de nettoyage sur de vrais enregistrements avant de vous y fier.

Enregistrements liés : vérifiez ce que signifie un identifiant commun

Section intitulée « Enregistrements liés : vérifiez ce que signifie un identifiant commun »

Les enregistrements liés, comme deux messages d’un même client, doivent rester du même côté de la séparation. Sinon, le test porte sur l’autre moitié d’une histoire déjà montrée à l’entraînement. La solution habituelle consiste à regrouper les enregistrements par identifiant commun, puis à séparer les groupes entiers.

Priya cherche un identifiant commun. Un numéro de commande, LK-482913, apparaît dans 111 billets d’entraînement. De plus, 201 billets d’entraînement partagent un numéro de commande avec un cas d’évaluation. Une fuite à grande échelle? Elle lit les billets : les produits, les équipes et les situations diffèrent. Le programme qui les a écrits a réutilisé quelques numéros. Donc, vérifiez ce que signifie un identifiant commun avant de l’utiliser pour regrouper les enregistrements. Ici, chaque billet constitue son propre groupe, et la vérification des quasi-copies détecte un billet écrit deux fois. Avec de vraies données, regroupez les enregistrements par client ou par conversation.

Parmi les 4 602 enregistrements propres, prepare en prend 200 par équipe. Il garde toujours les rares enregistrements qui nécessitent une personne. Ensuite, 10 % de chaque groupe (équipe, personne nécessaire ou non) vont dans les données de validation. Les deux parties contiennent ainsi chaque groupe. Une graine aléatoire fixe produit les mêmes fichiers chaque fois. Les données de validation servent à surveiller l’entraînement au module 4; les cas de développement et les cas réservés restent disponibles pour les décisions.

Exercice guidé : préparer les données d’entraînement

Section intitulée « Exercice guidé : préparer les données d’entraînement »
  1. Copiez les fichiers de cette leçon depuis l’instantané end-of-m02 :

    Fenêtre de terminal
    S=../nextia-learning-labs/C12/snapshots/end-of-m02
    mkdir -p data/exercise
    cp "$S/adapt/prepare.py" adapt/
    cp "$S"/data/exercise/* data/exercise/
    cp "$S/tests/test_prepare.py" tests/
    cp "$S/README.md" .
  2. Préparez les données :

    Fenêtre de terminal
    python -m adapt prepare
    4696 source records
    rejected 23 duplicate
    T-60709: same words as T-60281
    T-61069: near copy of T-60555 (overlap 0.40)
    T-61419: near copy of T-60483 (overlap 0.50)
    rejected 1 evaluation leak
    T-64315: near copy (overlap 0.62) of evaluation case T-64954 (holdout)
    rejected 70 known wrong label
    T-60124: team payment is wrong on purpose
    T-60158: team payment is wrong on purpose
    T-60236: team returns is wrong on purpose
    4602 clean records
    train 900 records (account 180, delivery 180, payment 180, returns 180, warranty 180; needs a person 78)
    val 100 records (account 20, delivery 20, payment 20, returns 20, warranty 20; needs a person 9)
    Not covered by any training record: French tickets, and needs-a-person rules H2 to H5
    Wrote data/prepared/train.jsonl, val.jsonl, rejected.jsonl and manifest.json

    La sortie montre trois exemples par raison; les 94 se trouvent dans rejected.jsonl. Aucun secret n’a été trouvé. Deux des 89 enregistrements nécessitant une personne avaient la mauvaise équipe. Il en reste donc 87 : 78 et 9.

  3. Exécutez les tests. Ils prennent environ une demi-minute, car certains relancent prepare :

    Fenêtre de terminal
    python -m pytest

    La dernière ligne indique 17 passed (17 tests réussis). Les tests vérifient qu’aucun billet n’est commun aux données d’entraînement, de validation et d’évaluation. Ils vérifient aussi que prepare produit toujours le même fichier d’entraînement, avec l’empreinte 73f29c94b022.

Pipeline avec les nombres réels. Rangée du haut : 4 696 billets sources passent quatre vérifications : mauvaise étiquette connue, moins 70; secret, moins 0; doublon ou quasi-copie, moins 23; quasi-copie d'un cas d'évaluation, moins 1. Les 94 enregistrements rejetés vont dans rejected.jsonl avec leurs raisons. Deuxième rangée, de droite à gauche : il reste 4 602 enregistrements propres; 200 par équipe donnent 1 000, en gardant chaque enregistrement qui nécessite une personne; la séparation donne 900 pour l'entraînement (78 nécessitent une personne) et 100 pour la validation (9). En dessous, une bande pour les 900 enregistrements d'entraînement : H1 sécurité 78, H2 juridique 0, H3 hors de la politique 0, H4 commande d'une autre personne 0, H5 aucune demande lisible 0, français 0.
Le pipeline des données d'entraînement avec les nombres réels. La bande du bas vérifie la couverture : cinq zéros avant tout entraînement.
Description textuelle du diagramme

Dans la rangée du haut, 4 696 billets sources passent quatre vérifications dans l’ordre. La vérification des mauvaises étiquettes connues en retire 70, celle des secrets, aucun, celle des doublons, 23, et celle des fuites vers l’évaluation, 1. Les 94 vont dans rejected.jsonl, chacun avec sa raison. La deuxième rangée va de droite à gauche. Il reste 4 602 enregistrements propres. Prendre 200 enregistrements par équipe en donne 1 000, et chaque enregistrement nécessitant une personne est gardé. La séparation donne 900 enregistrements d’entraînement (78 nécessitent une personne) et 100 enregistrements de validation (9 nécessitent une personne). La bande du bas compte ce que montrent les 900 enregistrements d’entraînement. La règle H1, sécurité, en compte 78. H2 juridique, H3 hors de la politique, H4 commande d’une autre personne, H5 aucune demande lisible et français en comptent zéro.

Couverture : comptez ce que les données ne montrent jamais

Section intitulée « Couverture : comptez ce que les données ne montrent jamais »

La couverture vérifie que chaque type de cas que rencontrera le modèle possède des exemples d’entraînement. La dernière ligne de sortie effectue cette vérification; le graphique la montre pour 100 enregistrements.

  • Enregistrements d'entraînement (900)
  • Cas de développement (102)
FR = billets en français. La règle H1 (sécurité) apparaît à peu près aussi souvent dans l'entraînement que dans les cas de développement. Les règles H2 à H5 et les billets en français apparaissent dans les cas de développement, mais jamais dans l'entraînement.
Description textuelle du graphique

Un graphique à colonnes présente des paires de colonnes pour H1, H2, H3, H4, H5 et français (FR). Les valeurs sont des nombres d’enregistrements pour 100. H1 : 8,7 dans les enregistrements d’entraînement et 9,8 dans les cas de développement. H2 : 0 et 2,0. H3 : 0 et 1,0. H4 : 0 et 6,9. H5 : 0 et 2,9. Français : 0 et 9,8. Seule H1 a une colonne d’entraînement supérieure à zéro.

La règle H1 est couverte à peu près au même taux que dans les cas de développement. Les quatre autres règles et le français n’ont aucun enregistrement. Pourtant, ils représentent 23 des 102 cas de développement. Les équipes présentent aussi une lacune : les 78 enregistrements nécessitant une personne concernent tous la garantie (60) ou la livraison (18). Un modèle apprend seulement les régularités que montrent ses exemples.

Erreur courante

L'empreinte du fichier d'entraînement a changé

Symptôme : un entraînement ultérieur donne des nombres différents de ceux du cours, et data/prepared/manifest.json affiche une autre empreinte d’entraînement.

Cause : prepare --extra a réécrit data/prepared/. Un seul enregistrement gardé suffit à changer l’échantillon.

Diagnostic : si settings.extra dans manifest.json nomme un fichier, les données ne sont pas celles du cours.

Solution : exécutez python -m adapt prepare sans options : l’empreinte redevient 73f29c94b022.

Discussion : entraîner maintenant ou écrire d’abord les enregistrements manquants?

Section intitulée « Discussion : entraîner maintenant ou écrire d’abord les enregistrements manquants? »

Priya montre le graphique de couverture à l’équipe.

  • Tomás : « Entraînons maintenant. Ça prend quelques minutes sur un portable. Avec 78 exemples de sécurité, le modèle apprendra quand un billet nécessite une personne. »
  • Grace : « Une menace de poursuite, ce n’est pas un problème de sécurité. Rien dans ces données ne dit qu’elle nécessite une personne. »
  • Kwame : « De bons enregistrements pour quatre règles et le français, ça prend des jours à Grace. L’entraînement ne coûte presque rien. »
  • Omar : « Si on livre ça, qu’arrive-t-il à un client qui menace de nous poursuivre? »

Avant de poursuivre, répondez à ces questions :

  1. Prédisez : que répondra un adaptateur entraîné sur ces données aux 13 cas de développement relevant des règles H2 à H5?
  2. L’entraînement vaut-il quand même la peine? Que peut-il mesurer?
  3. Qu’écririez-vous aujourd’hui dans la note de décision, avant l’entraînement, pour autoriser ou refuser la mise en production?

La réponse du cours. Entraînez le modèle, mais pour mesurer, pas pour en faire un candidat à livrer. Écrivez d’abord la prédiction. Les nombres de couverture constituent la preuve : 0 des 900 enregistrements d’entraînement montrent H2 à H5 ou le français. L’équipe prédit donc que l’adaptateur n’enverra pas ces billets à une personne. targets.toml exige que chaque billet nécessitant une personne lui parvienne. L’équipe s’attend donc à ce que cet adaptateur échoue à cet objectif. L’entraînement vaut quand même son faible coût : il montre ce que ces données peuvent enseigner, comme le format et l’acheminement. Régressions et valeur opérationnelle vérifie cette prédiction.

Ce qui changerait la réponse : un entraînement coûteux, comme plusieurs heures sur un GPU loué; écrivez alors d’abord les enregistrements manquants. Ou des enregistrements pour H2 à H5 et le français, écrits et vérifiés par Grace. L’exercice montre pourquoi un seul enregistrement par règle ne suffit pas.

Exercice guidé : les quatre enregistrements d’un collègue

Section intitulée « Exercice guidé : les quatre enregistrements d’un collègue »

data/exercise/extra_records.jsonl contient quatre enregistrements inventés qu’un collègue veut ajouter. Lisez-les et décidez quels trois ne doivent pas être utilisés, et pourquoi. Exécutez ensuite :

Fenêtre de terminal
python -m adapt prepare --extra data/exercise/extra_records.jsonl
4700 source records
rejected 24 duplicate
X-003: same words as T-60001
T-60709: same words as T-60281
T-61069: near copy of T-60555 (overlap 0.40)
rejected 2 evaluation leak
X-001: near copy (overlap 0.91) of evaluation case T-64710 (holdout)
T-64315: near copy (overlap 0.62) of evaluation case T-64954 (holdout)
rejected 70 known wrong label
T-60124: team payment is wrong on purpose
T-60158: team payment is wrong on purpose
T-60236: team returns is wrong on purpose
rejected 1 secret
X-002: password
4603 clean records
train 900 records (account 180, delivery 180, payment 180, returns 180, warranty 180; needs a person 78)
val 100 records (account 20, delivery 20, payment 20, returns 20, warranty 20; needs a person 9)
Not covered by any training record: French tickets, and needs-a-person rules H2 to H5
Wrote data/prepared/train.jsonl, val.jsonl, rejected.jsonl and manifest.json

X-001 est un cas réservé dont un chiffre a changé (chevauchement de 0,91). X-002 contient un mot de passe. X-003 ne diffère de T-60001 que par la ponctuation. X-004 est gardé. Il ne fait pas partie des 900, mais il les a changés : 101 des 180 enregistrements de livraison diffèrent. L’empreinte est 4968527efbc5. Exécutez python -m adapt prepare pour rétablir 73f29c94b022.

À vous : un petit jeu de données synthétiques avec des règles de rejet

Section intitulée « À vous : un petit jeu de données synthétiques avec des règles de rejet »

Écrivez 5 à 8 enregistrements inventés dans data/exercise/my_records.jsonl. Utilisez un objet JSON par ligne avec id, text, team, needs_human, rule, language et source. Incluez-en deux pour les règles H2 à H5 ou en français, et deux que vos règles doivent rejeter. Écrivez d’abord vos règles de rejet et les résultats attendus. Exécutez ensuite prepare --extra avec votre fichier, comparez les résultats, puis relancez prepare.

Afficher une solution détaillée

Le fichier de l’auteur contient six enregistrements, tous inventés :

ID Texte abrégé Étiquettes Résultat attendu
Y-001 « …J’ai écrit à mon avocat, et je vais vous poursuivre à la cour des petites créances… » returns, true, H2 gardé
Y-002 « Le même chauffe-terrasse coûte 40 dollars de moins dans un autre magasin. Pouvez-vous égaler ce prix… » payment, true, H3 gardé
Y-003 « Ma voisine est absente cette semaine. Pouvez-vous me dire où est son colis?… » delivery, true, H4 gardé
Y-004 « Bonjour, mon parasol est arrivé hier, mais la boîte était vide… » delivery, false, français gardé
Y-005 « Veuillez remplacer le courriel de mon compte par sam.lee@example.org… » account, false rejeté : secret (adresse courriel)
Y-006 cas de développement T-81026 avec un chiffre du numéro de commande changé payment, true, H2 rejeté : fuite vers l’évaluation

Il y a trois règles de rejet. Aucun secret (numéro de carte, mot de passe, adresse courriel) dans le texte. Aucune quasi-copie d’un enregistrement d’entraînement. Aucune quasi-copie d’un cas d’évaluation. La sortie abrégée :

4702 source records
rejected 2 evaluation leak
Y-006: near copy (overlap 0.79) of evaluation case T-81026 (dev)
rejected 1 secret
Y-005: email address
4606 clean records
train 900 records (account 180, delivery 180, payment 180, returns 180, warranty 180; needs a person 81)
Not covered by any training record: French tickets, and needs-a-person rule H5

Les deux rejets étaient attendus. Y-001 à Y-003 ont atteint les données d’entraînement. Le nombre d’enregistrements nécessitant une personne est donc passé de 78 à 81, et seule H5 manque encore. Un résultat était surprenant : Y-004 n’a pas atteint les données d’entraînement. L’échantillon garde chaque enregistrement qui nécessite une personne. Un billet en français qui n’en nécessite aucune concurrence 1 244 autres enregistrements de livraison pour 179 places. Les billets en français figurent donc encore dans la dernière ligne. La couverture exige assez d’enregistrements et une règle d’échantillonnage qui garde les types rares. Trois enregistrements, contre 78 pour la règle H1, restent bien trop peu pour enseigner trois règles.

Copiez un cas de développement ou un cas réservé dans votre fichier supplémentaire, puis changez un mot. Montrez que prepare --extra le rejette et comment vous savez que les données préparées ne contiennent aucun cas d’évaluation. Rétablissez ensuite les données du cours.

Afficher la réponse

La solution ci-dessus l’a fait avec Y-006, une copie du cas de développement T-81026 dont un chiffre a changé. prepare a affiché Y-006: near copy (overlap 0.79) of evaluation case T-81026 (dev) (Y-006 : quasi-copie du cas d’évaluation T-81026, avec un chevauchement de 0,79) sous evaluation leak (fuite vers l’évaluation). L’enregistrement se trouve dans rejected.jsonl, mais ni dans train.jsonl ni dans val.jsonl. Le test test_validation_and_training_share_no_ticket_and_no_evaluation_case vérifie la même chose à chaque exécution. Enfin, python -m adapt prepare sans options rétablit les données du cours, avec l’empreinte d’entraînement 73f29c94b022.

Réinitialisation : python -m adapt prepare réécrit les données préparées du cours. Si votre projet ne fonctionne plus, copiez l’instantané end-of-m02.

Vérifiez votre compréhension

Sam propose de relever le seuil de quasi-copie de 0,40 à 0,90 pour perdre moins d'enregistrements. Que changerait cette décision dans ces données? Est-ce un bon compromis?

Afficher la réponse

La seule vraie fuite, T-64315 (chevauchement de 0,62 avec le cas réservé T-64954), passerait dans les données d’entraînement. Les 22 quasi-doublons aussi, avec des chevauchements de 0,40 à 0,80. Le score sur les données réservées mesurerait alors en partie la mémorisation. Le gain représente environ 23 enregistrements sur 4 602, ce qui ne change presque rien pour l’entraînement. Perdre un test juste coûte bien plus cher. C’est donc un mauvais compromis.

Vérifiez votre compréhension

Le numéro de commande LK-482913 figure dans 111 billets de soutien des données d'entraînement. Faut-il mettre les 111 dans le même sous-ensemble? Que vérifiez-vous d'abord?

Afficher la réponse

Vérifiez ce que signifie l’identifiant commun. Lisez quelques billets : ils concernent des produits, des équipes et des situations différents. Le programme qui les a créés a réutilisé quelques numéros de commande. Ils ne sont pas liés, donc les regrouper serait une erreur. Regroupez les enregistrements seulement par un identifiant qui les relie vraiment, comme un même client ou une même conversation.

Vérifiez votre compréhension

L'équipe décide d'entraîner le modèle malgré les cinq zéros dans la bande de couverture. Quels éléments, avant ou après l'entraînement, vous feraient changer cette décision?

Afficher la réponse

Avant l’entraînement : un coût élevé par entraînement, comme des heures de GPU louées, justifierait de rédiger les enregistrements manquants d’abord. Après l’entraînement, les cas de développement relevant des règles H2 à H5 déterminent la suite. Si l’adaptateur en transmettait certains à une personne, la prédiction serait fausse et il faudrait examiner le résultat de plus près. S’il n’en transmettait aucun, la prédiction serait juste. La prochaine étape serait alors d’améliorer les données, pas de poursuivre l’entraînement. Dans les deux cas, le résultat compte seulement pour des cas que le modèle n’a jamais vus.

Vérifiez votre compréhension

Vérification pratique : après prepare --extra avec une quasi-copie d'un cas d'évaluation, quelles lignes de sortie confirment son exclusion de l'entraînement? Comment restaurez-vous les données du cours?

Afficher la réponse

Le bloc evaluation leak (fuite d’évaluation) nomme l’enregistrement et le cas, par exemple Y-006: near copy (overlap 0.79) of evaluation case T-81026 (dev) (quasi-copie du cas d’évaluation T-81026, avec un chevauchement de 0,79). L’enregistrement se trouve dans data/prepared/rejected.jsonl. Avec python -m pytest, le test confirmant qu’aucun billet n’est partagé entre l’entraînement, la validation et l’évaluation réussit toujours. python -m adapt prepare sans options restaure les données : l’empreinte des données d’entraînement dans manifest.json est 73f29c94b022.

Récapitulatif

  • prepare applique quatre règles dans l’ordre et consigne chaque rejet avec sa raison : 94 en tout.
  • Fuite de données : de l’information de test atteint les données d’entraînement. Le chevauchement des trigrammes de mots détecte les quasi-copies (5 sur 8 en commun = 0,62, au-dessus de 0,40).
  • Testez les règles de nettoyage sur de vrais enregistrements. Vérifiez ce que signifie un identifiant commun avant de regrouper les enregistrements.
  • Couverture : 78 enregistrements de sécurité, et zéro pour les règles H2 à H5 et le français. L’équipe entraîne le modèle pour mesurer les résultats et écrit d’abord sa prédiction.
  • Votre projet correspond à end-of-m02 : 17 passed (17 tests réussis), empreinte des données d’entraînement 73f29c94b022.
  • Ces nombres décrivent ces données fictives. Vos propres données donneront d’autres nombres; les vérifications restent les mêmes.

Leçon suivante : Réglage fin complet et réglage efficace en paramètres