Validation croisée et ajustement des hyperparamètres

CSI 4506 - automne 2026

Marcel Turcotte

Version: sept. 25, 2026 08h44

Préambule

Message du jour

Note

Un scénariste humoristique explore les conséquences de l’intelligence artificielle (artificial intelligence, AI) au moyen d’un projet de recueil de poésie réalisé avec un ami d’enfance qui travaille chez OpenAI. Ce parcours personnel examine la tension entre les ambitions professionnelles dans le secteur technologique et la préservation de la créativité humaine, alors que la perspective d’une future superintelligence (superintelligence) plane sur leur amitié de longue date.

Daniel Kokotajlo a diffusé sur X une déclaration personnelle sur les risques liés à l’IA, rédigée par Daniel Selsam, l’employé d’OpenAI présenté dans la vidéo.

An OpenAI Engineer and His Friends Debate the Future, The New Yorker Documentary, 2026-09-23.

Objectifs d’apprentissage

• Distinguer les rôles des données d’entraînement, de validation et de test dans le développement du modèle et son évaluation finale.
• Expliquer comment la validation croisée à k plis entraîne un nouveau modèle à chaque itération, puis interpréter la moyenne et l’écart-type de scores de plis qui ne sont pas indépendants.
• Prévenir les fuites de données en ajustant le prétraitement dans chaque pli et en appliquant les transformations mémorisées aux exemples de validation et de test.
• Distinguer les paramètres appris par le modèle des hyperparamètres et expliquer pourquoi les hyperparamètres qui interagissent doivent être évalués conjointement.
• Appliquer GridSearchCV pour ajuster plusieurs pipelines avec une métrique commune et expliquer quand une recherche aléatoire est utile.
• Comparer les familles de modèles ajustées, réajuster le pipeline sélectionné sur toutes les données d’entraînement et l’évaluer une seule fois sur l’ensemble de test intact.

Introduction

Jeu de données : OpenML

www.openml.org

OpenML est une plateforme ouverte pour partager des jeux de données, des algorithmes et des expériences afin d’améliorer collectivement les méthodes d’apprentissage.

import numpy as np
seed = 42

from sklearn.datasets import fetch_openml

diabetes = fetch_openml(name="diabetes", version=1)
print(diabetes.DESCR)

Le jeu de données sur le diabète des Indiennes Pima contient 768 exemples et huit attributs numériques. Sa taille permet d’effectuer plusieurs validations croisées pendant le cours. Toutefois, sa population restreinte, son ancienneté et ses limites de qualité ne permettent pas d’en tirer des conclusions médicales générales.

Jeu de données : OpenML

Author: Vincent Sigillito

Source: Obtained from UCI

Please cite: UCI citation policy

1. Title: Pima Indians Diabetes Database

2. Sources:

   1. Original owners: National Institute of Diabetes and Digestive and Kidney Diseases
   2. Donor of database: Vincent Sigillito (vgs@aplcen.apl.jhu.edu) Research Center, RMI Group Leader Applied Physics Laboratory The Johns Hopkins University Johns Hopkins Road Laurel, MD 20707 (301) 953-6231
   3. Date received: 9 May 1990

3. Past Usage:

   1. Smith,_J.W., Everhart,_J.E., Dickson,_W.C., Knowler,_W.C., & Johannes,_R.S. (1988). Using the ADAP learning algorithm to forecast the onset of diabetes mellitus. In {it Proceedings of the Symposium on Computer Applications and Medical Care} (pp. 261–265). IEEE Computer Society Press.

      The diagnostic, binary-valued variable investigated is whether the patient shows signs of diabetes according to World Health Organization criteria (i.e., if the 2 hour post-load plasma glucose was at least 200 mg/dl at any survey examination or if found during routine medical care). The population lives near Phoenix, Arizona, USA.

      Results: Their ADAP algorithm makes a real-valued prediction between 0 and 1. This was transformed into a binary decision using a cutoff of 0.448. Using 576 training instances, the sensitivity and specificity of their algorithm was 76% on the remaining 192 instances.

4. Relevant Information: Several constraints were placed on the selection of these instances from a larger database. In particular, all patients here are females at least 21 years old of Pima Indian heritage. ADAP is an adaptive learning routine that generates and executes digital analogs of perceptron-like devices. It is a unique algorithm; see the paper for details.

5. Number of Instances: 768

6. Number of Attributes: 8 plus class

7. For Each Attribute: (all numeric-valued)

   1. Number of times pregnant
   2. Plasma glucose concentration a 2 hours in an oral glucose tolerance test
   3. Diastolic blood pressure (mm Hg)
   4. Triceps skin fold thickness (mm)
   5. 2-Hour serum insulin (mu U/ml)
   6. Body mass index (weight in kg/(height in m)^2)
   7. Diabetes pedigree function
   8. Age (years)
   9. Class variable (0 or 1)

8. Missing Attribute Values: None

9. Class Distribution: (class value 1 is interpreted as “tested positive for diabetes”)

   Class Value Number of instances 0 500 1 268

10. Brief statistical analysis:

    Attribute number: Mean: Standard Deviation:

    1.                 3.8     3.4

    2.               120.9    32.0

    3.                69.1    19.4

    4.                20.5    16.0

    5.                79.8   115.2

    6.                32.0     7.9

    7.                 0.5     0.3

    8.                33.2    11.8

Relabeled values in attribute ‘class’ From: 0 To: tested_negative
From: 1 To: tested_positive

Downloaded from openml.org.

Jeu de données : return_X_y

fetch_openml retourne un objet Bunch par défaut, ou X et y lorsque return_X_y=True.

X, y = fetch_openml(
    name="diabetes",
    version=1,
    return_X_y=True,
)

La classe positive est moins fréquente, mais les deux classes contiennent assez d’exemples pour une validation croisée stratifiée.

print(y.value_counts())

class
tested_negative    500
tested_positive    268
Name: count, dtype: int64

Conversion des étiquettes cibles en 0 et 1 :

y = y.map({"tested_negative": 0, "tested_positive": 1})

Le jeu de données contient 500 exemples négatifs et 268 exemples positifs, soit une répartition d’environ 65:35. Ce déséquilibre modéré ne justifie pas automatiquement le rééchantillonnage ou la pondération des classes. La stratification préserve approximativement ces proportions dans les partitions d’entraînement, de validation et de test, mais elle ne corrige pas le déséquilibre.

Une intervention supplémentaire devrait dépendre de l’objectif d’évaluation et des conséquences relatives des faux positifs et des faux négatifs. Les méthodes de traitement du déséquilibre des classes seront étudiées plus tard. L’AUROC demeure utile ici pour comparer le classement produit par les scores, tandis que le rapport de classification final révèle les différences de performance propres à chaque classe.

Mesures manquantes

Selon la convention adoptée dans la version corrigée PimaIndiansDiabetes2 de ce jeu de données, les valeurs nulles de cinq mesures cliniques sont traitées comme des valeurs manquantes (missing values). La valeur zéro demeure valide pour le nombre de grossesses.

missing_value_columns = ["plas", "pres", "skin", "insu", "mass"]

X = X.copy()
X[missing_value_columns] = X[missing_value_columns].replace(0, np.nan)

X[missing_value_columns].isna().sum()

plas      5
pres     35
skin    227
insu    374
mass     11
dtype: int64

Les métadonnées d’OpenML indiquent que les attributs ne contiennent aucune valeur manquante. Cependant, la documentation de PimaIndiansDiabetes2 décrit ces zéros comme des impossibilités physiques et les traite comme des valeurs manquantes. Il s’agit donc d’une convention de prétraitement documentée, et non d’une règle fournie par OpenML.

Ce remplacement n’estime aucune valeur à partir du jeu de données. L’imputation par la médiane sera apprise plus tard à partir de chaque pli d’ajustement, ce qui empêche un pli de validation ou l’ensemble de test d’influencer la transformation.

Validation croisée

Ensembles d’entraînement et de test

Cette division est souvent appelée méthode de retenue (holdout method).

• Point de départ courant : allouer 80 % des données à l’entraînement et réserver 20 % pour le test.

• Ensemble d’entraînement : utilisé pour ajuster les modèles et prendre les décisions de modélisation.

• Ensemble de test : sous-ensemble indépendant utilisé une seule fois pour l’évaluation finale.

Ratios courants d’entraînement et de test

1. Division 80:20
   • Entraînement : 80 % des données.
   • Test : 20 % des données.
   • Ce choix fréquent équilibre la quantité de données disponible pour l’entraînement et celle qui sert à évaluer la performance.
2. Division 90:10
   • Entraînement : 90 % des données.
   • Test : 10 % des données.
   • Cette division peut convenir à un grand jeu de données lorsque 10 % fournit encore assez d’exemples pour une évaluation utile.

Facteurs qui influencent le ratio

1. Taille du jeu de données
   • Pour un grand jeu de données, une plus petite proportion peut être réservée au test si elle contient toujours assez d’exemples.
2. Complexité du modèle
   • Les modèles complexes comportant de nombreux paramètres peuvent nécessiter davantage de données d’entraînement pour éviter le surajustement.
3. Données de validation
   • La validation croisée réutilise les données d’entraînement pour la validation. Un ensemble de validation séparé peut être préférable lorsque le coût de calcul ou la structure des données rend la validation croisée peu pratique.
4. Classes déséquilibrées
   • Les deux partitions doivent contenir assez d’exemples de chaque classe. L’échantillonnage stratifié préserve approximativement les proportions des classes dans les ensembles d’entraînement et de test.

Ensembles d’entraînement et de test

Erreur d’entraînement : erreur de prédiction mesurée sur les exemples qui ont servi à ajuster le modèle.

• L’ajustement cherche généralement à réduire la perte ou l’erreur d’entraînement.
• Une faible erreur d’entraînement ne garantit pas une faible erreur de généralisation.

Ensembles d’entraînement et de test

Erreur de généralisation : erreur de prédiction attendue sur de nouveaux exemples provenant de conditions semblables.

Elle ne peut pas être observée directement. Les scores de validation et de test l’estiment à partir d’échantillons finis.

Ensembles d’entraînement et de test

Sous-ajustement (underfitting):

• Erreur d’entraînement élevée.
• Le modèle est trop simple pour représenter les régularités sous-jacentes.
• La performance est faible sur les données d’entraînement et les nouvelles données.

Surajustement (overfitting) :

• Erreur d’entraînement faible, mais erreur de généralisation élevée.
• Le modèle représente du bruit ou des régularités non pertinentes.
• La performance est faible sur de nouvelles données.

Définition

La validation croisée estime la performance d’une procédure de construction de modèle sur des exemples inédits.

Elle partitionne plusieurs fois les données d’entraînement, entraîne un nouveau classificateur sur certains plis et évalue ce classificateur sur le pli restant. L’ensemble de test demeure intact.

Validation croisée à k plis

1. Diviser les données d’entraînement en k parties approximativement égales, appelées plis.
2. Répéter k fois :
   • Partir d’un nouveau classificateur non ajusté.
   • L’entraîner sur k-1 plis.
   • L’évaluer sur le pli de validation restant.
3. Agrégation : résumer les k scores produits par les k classificateurs entraînés séparément.

Chaque itération produit un classificateur ajusté distinct. Les paramètres appris ne sont pas transmis d’une itération à la suivante. La validation croisée évalue donc une procédure de construction de modèle plutôt qu’un classificateur persistant.

Les k scores décrivent la performance sur différents plis de validation. Leur moyenne dépend moins d’une division de validation arbitraire qu’un seul score de validation.

Les classificateurs ajustés partagent néanmoins la majorité de leurs exemples d’entraînement. Avec cinq plis, deux classificateurs quelconques partagent trois plis complets, soit 60 % de l’ensemble d’entraînement complet ou 75 % des exemples utilisés pour ajuster l’un ou l’autre. Leurs plis de validation diffèrent, mais les classificateurs ajustés et leurs scores sont donc liés plutôt qu’indépendants.

L’écart-type décrit la variation observée entre ces plis particuliers. Il ne constitue pas une erreur-type, et le diviser par \sqrt{k} ne produit pas un intervalle de confiance valide. Une petite valeur ne suffit pas à établir la stabilité de la procédure d’apprentissage. Une grande valeur peut refléter des plis de validation particulièrement difficiles ou de composition différente.

Après la sélection du modèle et des hyperparamètres, un classificateur final est ajusté sur l’ensemble d’entraînement complet.

import matplotlib.pyplot as plt

def plot_k_fold_cross_validation(k):
    fig, ax = plt.subplots()

    matrix = np.ones((k, k))
    np.fill_diagonal(matrix, 0)

    ax.imshow(matrix, cmap="binary", interpolation="none")

    for i in range(k):
        for j in range(k):
            label = "Val." if i == j else "Entr."
            color = "black" if i == j else "white"
            ax.text(j, i, label, ha="center", va="center", color=color)

    ax.set_xticks(np.arange(k))
    ax.set_yticks(np.arange(k))
    ax.set_xticklabels([f"Pli {i+1}" for i in range(k)])
    ax.set_yticklabels([f"Itération {i+1}" for i in range(k)])
    plt.title(f"Validation croisée à {k} plis")

    ax.grid(False)
    plt.show()

Les valeurs 5 et 10 sont des choix courants pour k.

Validation croisée à 5 plis

plot_k_fold_cross_validation(5)

Chaque ligne représente une itération. Chaque pli sert une fois de pli de validation et quatre fois de partie des données d’ajustement. Ces plis proviennent uniquement de la portion d’entraînement du jeu de données initial. Les exemples de test mis de côté ne participent pas à ce processus.

À chaque itération, 4/5 des données d’entraînement servent à l’ajustement et 1/5 à la validation.

Évaluation sur les plis de validation

• Pendant la sélection du modèle, la validation croisée moyenne les scores de plusieurs plis de validation plutôt que de dépendre d’une seule partition.
• Un score par pli révèle la sensibilité aux exemples de validation particuliers.
• La moyenne et l’écart-type résument les scores des plis, mais ceux-ci ne sont pas indépendants.

L’ensemble de test final est lui aussi un échantillon fini, et son score dépend des exemples qu’il contient. Son rôle n’est pas d’éliminer la variabilité d’échantillonnage. Il fournit une évaluation finale avec des exemples qui n’ont influencé ni le modèle ni la sélection des hyperparamètres.

La consultation répétée d’autres divisions de test permettrait à leurs résultats d’influencer le développement et les transformerait progressivement en données de validation. Lorsque l’incertitude du score final importe, elle devrait être quantifiée à l’aide d’un intervalle de confiance approprié ou d’une procédure bootstrap appliquée aux prédictions de test intactes. Une validation croisée imbriquée ou un jeu de données externe réellement indépendant constitue une autre option lorsqu’un seul ensemble de test ne suffit pas.

Estimation de la généralisation

• La validation croisée estime la performance sur des exemples inédits provenant de conditions semblables.
• Elle n’améliore pas directement la généralisation. Elle permet de comparer les choix de modélisation en utilisant uniquement les données d’entraînement.
• L’ensemble de test intact fournit l’évaluation finale après ces choix.

Utilisation efficace des données

• La validation croisée est particulièrement utile lorsque les données sont limitées.
• Au fil des k itérations, chaque exemple d’entraînement apparaît une fois dans un pli de validation et k-1 fois dans un pli d’ajustement.
• Après la sélection, la procédure choisie peut être réajustée sur l’ensemble d’entraînement complet.

Les exemples ne sont pas nécessairement aussi informatifs les uns que les autres pour l’algorithme d’apprentissage. La composition de chaque pli d’ajustement et de validation peut donc influencer son score.

Ajustement des hyperparamètres

• La validation croisée compare des configurations d’hyperparamètres avec les mêmes plis et la même métrique d’évaluation.
• La configuration sélectionnée possède la meilleure performance estimée parmi les candidates évaluées.

Le score de validation croisée le plus élevé sert à sélectionner la configuration d’hyperparamètres. Il peut donc être légèrement optimiste. L’évaluation finale sur l’ensemble de test estime la performance de la procédure de sélection complète avec des données qui n’ont pas influencé ce choix.

Défis

• Coût de calcul : la validation exige des ajustements répétés.
  • La méthode leave-one-out (LOO) représente le cas extrême où (k=N).
• Déséquilibre des classes : des plis aléatoires peuvent mal représenter les classes minoritaires.
  • La validation croisée stratifiée maintient approximativement les proportions des classes.
• Complexité de mise en œuvre : les implémentations manuelles favorisent les erreurs, surtout avec la validation croisée imbriquée, le rééchantillonnage bootstrap ou l’intégration à des pipelines plus complexes.

La validation croisée leave-one-out ajuste le modèle une fois pour chaque exemple. Ses ensembles d’entraînement ne diffèrent que d’un seul exemple, ce qui peut produire une estimation très variable pour certaines procédures d’apprentissage, en plus d’être coûteux en calcul. La validation croisée à cinq ou dix plis constitue généralement un choix plus pratique.

La validation croisée stratifiée préserve approximativement la distribution des classes dans chaque pli afin que chaque classe soit représentée dans les partitions d’ajustement et de validation.

Les plis aléatoires ordinaires supposent également que les exemples peuvent être échangés sans modifier le problème. Les mesures répétées d’une même personne exigent des plis qui tiennent compte des groupes, tandis que les prédictions portant sur l’avenir exigent une division temporelle.

Ajustement des hyperparamètres

Flux de travail

Ce flux de travail distingue trois usages des données : entraînement, validation et test. Les plis de validation soutiennent la sélection du modèle, tandis que l’ensemble de test demeure à l’extérieur de ce processus.

Attribution : Cross-validation: evaluating estimator performance

Flux de travail : mise en œuvre

from sklearn.model_selection import (
    StratifiedKFold,
    cross_val_score,
    train_test_split,
)

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=seed,
    stratify=y,
)

cv = StratifiedKFold(
    n_splits=5,
    shuffle=True,
    random_state=seed,
)
selection_metric = "roc_auc"

L’ensemble de test est séparé avant la validation croisée et l’ajustement des hyperparamètres. La stratification préserve approximativement les mêmes proportions de classes dans les deux partitions. L’objet de validation croisée explicite rend les plis reproductibles et garantit que chaque modèle utilise les mêmes partitions de validation.

L’AUROC constitue la métrique de sélection dans tout cet exemple. Le choix d’une autre métrique pourrait modifier les hyperparamètres et le modèle sélectionnés.

Fuite de données pendant la validation croisée

Une fuite de données (data leakage) survient lorsque l’information d’un pli de validation influence la procédure ajustée sur les autres plis.

# Incorrect : le scaler voit tous les futurs plis de validation

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

scores = cross_val_score(
    KNeighborsClassifier(),
    X_train_scaled,
    y_train,
    cv=cv,
)

Les exemples de validation influencent les moyennes et les échelles qui servent à les évaluer.

Garder l’ensemble de test final intact ne rend pas cette procédure de validation croisée valide. L’appel à fit_transform précède la création des plis. Le scaler calcule donc la moyenne et l’échelle de chaque attribut à partir de tout X_train. Chaque pli de validation contribue ainsi à son propre prétraitement.

L’application de fit_transform au jeu de données complet X avant la division en ensembles d’entraînement et de test serait encore plus grave. La transformation ajustée contiendrait alors de l’information provenant des exemples de test. L’ensemble de test ne fournirait plus une évaluation indépendante de la procédure de modélisation complète.

Il s’agit d’une fuite même si la mise à l’échelle n’utilise pas les étiquettes cibles. Le même problème s’applique à l’imputation, à la sélection des attributs, à l’analyse en composantes principales, au rééchantillonnage et à toute opération dépendante des données réalisée avant la validation croisée.

Un pipeline empêche cette forme de fuite uniquement pour les opérations qui se trouvent à l’intérieur du pipeline. Il ne peut pas corriger une fuite de cible, une division temporelle inadéquate ou la présence d’observations répétées d’une même personne dans les plis d’ajustement et de validation.

fit_transform et transform

• fit(X) apprend de l’information à partir de X.
• fit_transform(X) apprend cette information et applique la transformation aux mêmes exemples.
• transform(X) applique l’information mémorisée sans la recalculer.

scaler = StandardScaler()

X_fitting_folds_scaled = scaler.fit_transform(X_fitting_folds)
X_validation_fold_scaled = scaler.transform(X_validation_fold)

Les exemples de validation, de test et les exemples futurs reçoivent transform, jamais fit ou fit_transform.

Pour StandardScaler, fit apprend et mémorise des attributs comme mean_ et scale_. Pour SimpleImputer, la méthode mémorise dans statistics_ la valeur de remplacement de chaque attribut. Conceptuellement, fit_transform(X) exécute fit(X), puis transform(X) sur les mêmes exemples d’ajustement.

La fuite de données constitue un problème méthodologique grave. Elle a fait l’objet de nombreuses séances dans des conférences et ateliers sur l’apprentissage automatique, car un prétraitement apparemment inoffensif, mais effectué au mauvais moment, peut invalider une évaluation.

Le transformateur ajusté conserve cet état en mémoire. Un pipeline ajusté conserve l’état de chaque étape de prétraitement avec les paramètres appris par le classificateur. Un appel à predict ou à predict_proba sur de nouveaux exemples applique automatiquement chaque transformation mémorisée avant d’invoquer le classificateur.

La conservation de cet état en mémoire ne signifie pas qu’il est enregistré de façon permanente. Le déploiement exige la sérialisation explicite du pipeline ajusté complet afin que les exemples futurs reçoivent les mêmes transformations. Le cours 10 abordera ces aspects d’ingénierie.

Prétraitement dans chaque pli

Pour chaque pli, la validation croisée crée et ajuste un nouveau pipeline.

Étape du pipeline	Plis d’ajustement	Pli de validation
Imputation	fit_transform	transform
Mise à l’échelle	fit_transform	transform
Classificateur	fit	predict_proba / decision_function

Les médianes, les moyennes et les échelles apprises ne sont pas transmises au pli suivant.

À chaque itération, scikit-learn clone le pipeline non ajusté. L’appel à fit ajuste chaque transformateur sur les plis d’ajustement et transmet sa sortie transformée à l’étape suivante. Le classificateur est ensuite ajusté sur les exemples entièrement transformés.

Lors de l’évaluation du pli de validation, le pipeline appelle uniquement transform sur l’imputation et la mise à l’échelle. Leurs statistiques mémorisées proviennent exclusivement des plis d’ajustement. Le pipeline temporaire ajusté est abandonné après l’évaluation du pli, puis l’itération suivante commence avec un nouveau clone non ajusté.

GridSearchCV répète ce processus complet pour chaque combinaison d’hyperparamètres. Après avoir sélectionné une configuration, il réajuste le pipeline complet sur toutes les données d’entraînement et le conserve dans best_estimator_. Les exemples de test intacts reçoivent alors uniquement les transformations mémorisées dans ce pipeline final.

Pipelines de prétraitement

from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier

tree_pipeline = Pipeline([
    ("imputer", SimpleImputer(strategy="median")),
    ("model", DecisionTreeClassifier(random_state=seed)),
])

knn_pipeline = Pipeline([
    ("imputer", SimpleImputer(strategy="median")),
    ("scaler", StandardScaler()),
    ("model", KNeighborsClassifier()),
])

logistic_pipeline = Pipeline([
    ("imputer", SimpleImputer(strategy="median")),
    ("scaler", StandardScaler()),
    ("model", LogisticRegression(
        solver="saga",
        max_iter=3000,
        random_state=seed,
    )),
])

L’imputation appartient à chaque pipeline afin d’apprendre ses médianes à partir d’un pli d’ajustement, puis de les appliquer au pli de validation correspondant. KNN et la régression logistique utilisent également des attributs standardisés, car leurs calculs dépendent des distances ou de l’optimisation des coefficients. Les arbres de décision divisent les données selon un attribut à la fois et n’exigent pas de mise à l’échelle.

La valeur fixe de max_iter donne à l’optimiseur de la régression logistique assez d’itérations pour converger. Il s’agit d’un contrôle d’implémentation, et non d’un réglage de la complexité du modèle à optimiser pour la performance prédictive.

cross_val_score

knn_scores = cross_val_score(
    knn_pipeline,
    X_train,
    y_train,
    cv=cv,
    scoring=selection_metric,
)

print("Scores :", knn_scores)
print(f"AUROC moyenne : {knn_scores.mean():.3f}")
print(f"Écart-type : {knn_scores.std():.3f}")

Scores : [0.81133721 0.76061047 0.84447674 0.74883721 0.75639881]
AUROC moyenne : 0.784
Écart-type : 0.037

Chaque score provient d’un pli de validation différent. La moyenne résume les cinq résultats de validation. L’écart-type décrit leur variation, mais il ne constitue pas un intervalle de confiance puisque les modèles ajustés partagent plusieurs exemples d’entraînement.

Ici, cross_val_score reçoit le pipeline KNN complet. L’imputation et la mise à l’échelle sont donc réajustées dans chaque pli avant l’ajustement du classificateur. Le passage d’un tableau déjà imputé ou standardisé à l’aide de tout X_train contournerait cette protection.

sklearn.model_selection.cross_val_score. Voir aussi cross_validate.

Paramètres et hyperparamètres

Les paramètres du modèle sont appris à partir des données d’entraînement.

Les hyperparamètres sont choisis avant chaque ajustement et contrôlent la structure du modèle ou le processus d’apprentissage.

Parmi les hyperparamètres figurent max_depth pour un arbre, n_neighbors pour KNN et C pour la régression logistique. L’ajustement des hyperparamètres utilise la performance de validation pour choisir parmi les configurations candidates. L’algorithme d’apprentissage ajuste de nouveaux paramètres de modèle pour chaque candidate et chaque pli de validation croisée.

Hyperparamètres : arbre de décision

• criterion choisit la mesure de qualité d’une division : gini, entropy ou log_loss.
• max_depth limite la profondeur maximale de l’arbre.

Voir : DecisionTreeClassifier

Hyperparamètres : régression logistique

• C représente l’inverse de la force de régularisation. Les petites valeurs appliquent une régularisation plus forte.
• l1_ratio choisit l’équilibre entre les régularisations L2 et L1 lorsque le solveur saga est utilisé.

Voir : LogisticRegression.

Hyperparamètres : KNN

• n_neighbors indique le nombre de voisins utilisés pour effectuer une prédiction.
• weights donne la même influence aux voisins (uniform) ou une influence plus grande aux voisins proches (distance).

Voir : KNeighborsClassifier

Expérience : n_neighbors

neighbor_scores = {}
neighbor_values = [1, 3, 5, 7, 9, 11, 15, 21, 31]

for value in neighbor_values:
    candidate = knn_pipeline.set_params(
        model__n_neighbors=value,
        model__weights="uniform",
    )
    scores = cross_val_score(
        candidate,
        X_train,
        y_train,
        cv=cv,
        scoring=selection_metric,
    )
    neighbor_scores[value] = scores.mean()
    print(f"n_neighbors={value:2d} : {scores.mean():.3f}")

best_n_neighbors = max(neighbor_scores, key=neighbor_scores.get)
print("Meilleur n_neighbors :", best_n_neighbors)

Expérience : n_neighbors

n_neighbors= 1 : 0.664
n_neighbors= 3 : 0.764
n_neighbors= 5 : 0.784
n_neighbors= 7 : 0.798
n_neighbors= 9 : 0.815
n_neighbors=11 : 0.822
n_neighbors=15 : 0.832
n_neighbors=21 : 0.831
n_neighbors=31 : 0.831
Meilleur n_neighbors : 15

Expérience : weights

weight_scores = {}

for value in ["uniform", "distance"]:
    candidate = knn_pipeline.set_params(
        model__n_neighbors=best_n_neighbors,
        model__weights=value,
    )
    scores = cross_val_score(
        candidate,
        X_train,
        y_train,
        cv=cv,
        scoring=selection_metric,
    )
    weight_scores[value] = scores.mean()
    print(f"weights={value:8s} : {scores.mean():.3f}")

weights=uniform  : 0.832
weights=distance : 0.833

La première boucle choisit n_neighbors en fixant weights="uniform". La seconde fixe ensuite ce nombre de voisins et fait varier weights. Cette procédure séquentielle ne réexamine jamais n_neighbors après le changement de la règle de pondération. Elle peut donc manquer la meilleure paire de valeurs.

L’évaluation du produit cartésien des deux ensembles de candidates corrige cette limite. Le code se réalise facilement avec des boucles imbriquées, ce qui montre que le principe de la recherche en grille est simple et peut être mis en œuvre indépendamment.

Ajustement des hyperparamètres : recherche en grille

• Plusieurs hyperparamètres doivent parfois être considérés conjointement.

• L’exploration manuelle de leurs combinaisons devient fastidieuse et propice aux erreurs.

• La recherche en grille évalue systématiquement un ensemble prédéfini de combinaisons :

  1. Énumérer le produit cartésien des valeurs candidates.

  2. Évaluer chaque combinaison avec les mêmes plis de validation croisée et la même métrique.

Les boucles manuelles montrent que la recherche en grille peut être mise en œuvre indépendamment. Une implémentation standardisée apporte plusieurs avantages pratiques :

• Elle énumère les combinaisons de paramètres de façon cohérente.
• Elle applique séparément chaque étape du pipeline dans chaque pli d’ajustement.
• Elle consigne les résultats par pli et les résultats agrégés dans cv_results_.
• Elle expose best_params_, best_score_ et un best_estimator_ réajusté.
• Elle prend en charge plusieurs métriques, l’exécution parallèle et le signalement explicite des erreurs.
• Elle réduit les erreurs d’indexation et de tenue des résultats, et facilite la reproductibilité de l’expérience.

L’utilitaire ne décide pas de la métrique, des plis, des modèles ni des valeurs de paramètres appropriés. Ces choix font toujours partie de la conception de l’expérience.

GridSearchCV : arbre de décision

from sklearn.model_selection import GridSearchCV

tree_param_grid = {
    "model__max_depth": [2, 3, 4, 5, 6, None],
    "model__criterion": ["gini", "entropy", "log_loss"],
}

tree_search = GridSearchCV(
    tree_pipeline,
    tree_param_grid,
    cv=cv,
    scoring=selection_metric,
)
tree_search.fit(X_train, y_train)

(tree_search.best_params_, tree_search.best_score_)

({'model__criterion': 'gini', 'model__max_depth': 4},
 np.float64(0.7881160022148395))

GridSearchCV : KNN

knn_param_grid = {
    "model__n_neighbors": neighbor_values,
    "model__weights": ["uniform", "distance"],
}

knn_search = GridSearchCV(
    knn_pipeline,
    knn_param_grid,
    cv=cv,
    scoring=selection_metric,
)
knn_search.fit(X_train, y_train)

(knn_search.best_params_, knn_search.best_score_)

({'model__n_neighbors': 21, 'model__weights': 'distance'},
 np.float64(0.8336620985603543))

Le double trait de soulignement sépare le nom de l’étape du pipeline du paramètre de l’estimateur. La recherche en grille évalue maintenant toutes les combinaisons de n_neighbors et de weights au lieu de s’engager sur une valeur avant d’explorer l’autre.

Avec les plis actuels, l’ajustement séquentiel sélectionne 15 voisins avant de comparer les règles de pondération. La grille conjointe sélectionne plutôt 21 voisins avec une pondération selon la distance. Cette différence fournit un exemple concret d’interaction entre hyperparamètres.

GridSearchCV : régression logistique

logistic_param_grid = {
    "model__C": [0.01, 0.1, 1, 10, 100],
    "model__l1_ratio": [0.0, 1.0],
}

logistic_search = GridSearchCV(
    logistic_pipeline,
    logistic_param_grid,
    cv=cv,
    scoring=selection_metric,
)
logistic_search.fit(X_train, y_train)

(logistic_search.best_params_, logistic_search.best_score_)

({'model__C': 0.1, 'model__l1_ratio': 0.0}, np.float64(0.8443867663344408))

Avec le solveur saga, l1_ratio=0 produit une régularisation L2 et l1_ratio=1 une régularisation L1. Toutes les candidates de cette grille sont compatibles avec le solveur fixe. La recherche fait varier des propriétés du modèle ajusté plutôt que des contrôles de convergence comme max_iter ou tol.

Comparaison des modèles ajustés

model_searches = {
    "Arbre de décision": tree_search,
    "KNN": knn_search,
    "Régression logistique": logistic_search,
}

for name, search in model_searches.items():
    print(f"{name:22s} : {search.best_score_:.3f}")

best_model_name = max(
    model_searches,
    key=lambda name: model_searches[name].best_score_,
)
best_search = model_searches[best_model_name]

print("Modèle sélectionné :", best_model_name)

Arbre de décision      : 0.788
KNN                    : 0.834
Régression logistique  : 0.844
Modèle sélectionné : Régression logistique

Les trois recherches utilisent les mêmes exemples d’entraînement, les mêmes plis de validation et la même métrique AUROC. Leurs meilleurs scores de validation croisée peuvent donc soutenir un choix entre les familles de modèles. Cette comparaison fait toujours partie de la sélection du modèle et ne remplace pas l’évaluation sur l’ensemble de test intact.

Chaque best_score_ est le score maximal trouvé dans son espace de recherche plutôt qu’une estimation sans biais de la performance future. La comparaison d’un plus grand nombre de candidates multiplie les occasions de sélectionner une configuration avantagée par ces plis particuliers. L’ensemble de test final fournit une estimation indépendante de la performance de la procédure de sélection complète.

Recherche aléatoire

• Une grille devient coûteuse lorsqu’elle contient de nombreuses combinaisons.
• RandomizedSearchCV échantillonne des candidates à partir des valeurs ou des distributions fournies.
• Le nombre d’itérations établit un budget de calcul prévisible.

Voir : Comparing randomized search and grid search for hyperparameter estimation.

Flux de travail

Le flux de travail comporte maintenant deux niveaux de sélection : la sélection des hyperparamètres dans chaque famille de modèles, suivie de la comparaison des trois familles ajustées. Les deux niveaux utilisent uniquement les données d’entraînement. L’ensemble de test demeure isolé jusqu’à l’étape suivante.

Attribution : Cross-validation: evaluating estimator performance

Évaluation finale

from sklearn.metrics import classification_report, roc_auc_score

best_model = best_search.best_estimator_

y_test_score = best_model.predict_proba(X_test)[:, 1]
y_test_pred = best_model.predict(X_test)

print("Modèle sélectionné :", best_model_name)
print(f"AUROC de test : {roc_auc_score(y_test, y_test_score):.3f}")
print(classification_report(y_test, y_test_pred))

Modèle sélectionné : Régression logistique
AUROC de test : 0.810
              precision    recall  f1-score   support

           0       0.74      0.80      0.77       100
           1       0.57      0.48      0.52        54

    accuracy                           0.69       154
   macro avg       0.65      0.64      0.64       154
weighted avg       0.68      0.69      0.68       154

Par défaut, GridSearchCV réajuste la configuration d’hyperparamètres sélectionnée sur l’ensemble d’entraînement complet. Le best_estimator_ est donc prêt pour l’évaluation unique sur l’ensemble de test.

L’AUROC correspond à la métrique utilisée pendant la sélection. Le rapport de classification la complète avec la précision, le rappel et les scores F_1, qui dépendent du seuil. Le résultat de test estime la performance de la procédure de sélection complète et figée sur des exemples inédits provenant de conditions semblables.

Un résultat décevant incite fortement à modifier le prétraitement, les attributs, les modèles, la recherche d’hyperparamètres ou la métrique d’évaluation, puis à recommencer. À ce moment, la performance de test observée a influencé le développement du modèle, et l’ensemble de test joue effectivement le rôle de données de validation. Cette réutilisation adaptative est souvent appelée entraînement sur l’ensemble de test, même si l’algorithme d’apprentissage n’est pas directement ajusté sur les exemples de test.

L’objectif consiste à obtenir une estimation honnête de la performance après déploiement, et non le score le plus élevé possible. Si le développement doit se poursuivre, l’ensemble de test existant ne peut plus fournir une évaluation finale entièrement indépendante de la procédure révisée. Cette évaluation exige un nouvel ensemble de test intact ou un jeu de données externe indépendant.

Après cette évaluation, la procédure de modélisation demeure figée. La réviser puis l’évaluer de nouveau sur le même ensemble de test utilise le résultat du test pendant le développement du modèle.

Conclusion

Résumé (1/2)

• Nous avons réservé un ensemble de test intact à une évaluation finale unique, après toutes les décisions de modélisation.
• Nous avons utilisé la validation croisée à k plis pour entraîner un nouveau modèle à chaque itération et résumer les scores de plis liés entre eux par leur moyenne et leur écart-type.
• Nous avons prévenu les fuites de données en ajustant l’imputation et la mise à l’échelle dans chaque pli, puis en appliquant les transformations mémorisées aux exemples de validation et de test.

Résumé (2/2)

• Nous avons distingué les paramètres du modèle appris des hyperparamètres, puis évalué conjointement les hyperparamètres qui interagissent.
• Nous avons utilisé GridSearchCV pour ajuster et comparer des pipelines d’arbre de décision, de KNN et de régression logistique avec les mêmes plis et la même métrique AUROC. La recherche aléatoire offre une solution de rechange pour les espaces de recherche plus vastes.
• Nous avons réajusté le pipeline sélectionné sur toutes les données d’entraînement et évalué celui-ci une seule fois sur l’ensemble de test. Toute modification ultérieure transformerait cet ensemble de test en données de validation.

Prochain cours

• Après le quiz, nous aborderons l’ingénierie de l’apprentissage automatique.

Références

Russell, Stuart, et Peter Norvig. 2020. Artificial Intelligence: A Modern Approach. 4ᵉ éd. Pearson. http://aima.cs.berkeley.edu/.

Marcel Turcotte

Marcel.Turcotte@uOttawa.ca

École de science informatique et de génie électrique (SIGE)

Université d’Ottawa