URL: https://linuxfr.org/users/steph1978/journaux/machine-learning-experimentation-foireuse Title: machine learning - expérimentation foireuse Authors: steph1978 Date: 2019年03月06日T19:04:29+01:00 License: CC By-SA Tags: machine_learning Score: 15 Bonjour Nal, Je dois vendre mon véhicule. Je souhaite estimer le bon prix pour le vendre : juste assez pour en tirer un bon bénéfice mais pas trop pour qu'il puisse trouver acquéreur. Je peux aller sur un site spécialisé qui moyennant quelques informations me produira cette estimation. Mais à l'heure du machine learning, avouez que ce n'est pas très palpitant. Alors j'ai collecté deux cent annonces de ventes d'un véhicule de même marque, même modèle, dont j'ai extrait le kilométrage, l'année de mise en circulation et le prix de mise en vente. Mon hypothèse est qu'il existe une corrélation entre ces trois caractéristiques ; et par conséquent, que l'on peut prédire le prix de vente à partir de l'année de mise en circulation et du kilométrage. Je dois donc construire et entraîner un modèle pour qu'il puisse prédire de manière fiable le prix de vente de mon véhicule. Je me documente comprends que ce dont j'ai besoin est d'un algorithme de régression (versus classification) et que dans ce domaine, une des meilleurs est l'Extreme Gradient Boosting (xgboost). La bonne nouvelle est qu'une implémentation existe en python. J'installe les bibliothèques logicielles nécessaires, et construit le script ad-hoc et le lance ; l'exécution est plutôt. Le résultat est très décevant. L'erreur moyenne est de 700 avec des cas à plus de 1500. Pour une valeur allant de 2000 à 7000, ce n'est pas utilisable. J'en déduis que soit je n'ai pas choisi le bon algorithme, soit je ne l'ai pas utilisé correctement, soit il n'y a pas de corrélation entre mes features, soit qu'il faudrait d'autres features pour améliorer la prédiction, soit que je n'ai pas assez de données d’entraînement. Avez vous déjà fait des expérimentations similaires, avec plus de succès ?