Comment puis-je améliorer mon score de modèle ?

Tout commence par les données – des données de mauvaise qualité produisent des résultats de mauvaise qualité. Certains facteurs à considérer qui peuvent avoir un impact sur la qualité du modèle : - S'il y a des données qui sont non nettoyées ou peu fiables, envisagez de les supprimer de l'ensemble. Non nettoyées ou peu fiables peuvent signifier qu'une majorité des valeurs de colonne sont nulles, une forte concentration d'une valeur dans une seule colonne (c'est-à-dire que vous avez une colonne avec les valeurs 'rouge', 'vert', 'bleu' et 90 % des valeurs dans la colonne sont 'rouge'), les valeurs dans une colonne sont très uniques. - Si la nature des données que vous recueillez a connu un changement significatif (par exemple, un changement de politique majeur qui entre en vigueur peut signifier que les données précédentes ne ressemblent pas aux nouvelles données). - Un volume plus important de données tend à produire des modèles plus fiables, donc tout point de données supplémentaire pertinent aidera, qu'il s'agisse de nouvelles observations recueillies au fil du temps, ou de données historiques recueillies à partir d'une source précédemment inexploitée. Si votre modèle ne donne toujours pas de bons résultats, cela peut également être dû au fait que les métriques qui ont réellement une relation avec la métrique prédite ne sont pas encore capturées dans l'ensemble de données. Cela pourrait être le moment de réfléchir à d'autres éléments qui pourraient avoir un effet sur la métrique prédite, et voir si ces données peuvent être recueillies et incluses dans l'ensemble de données. Rappelez-vous – les algorithmes prédictifs ne peuvent identifier que les motifs qui sont là pour être découverts !