# CM3 : Évaluation et Validation ---

## 1. Le Danger du "Par Cœur" Si on teste le modèle sur les données qu'il a déjà vues, il triche (mémoire). Il faut tester sa capacité à **généraliser**.

## Train / Test Split On coupe les données en deux : 1. **Train Set (80%)** : Pour l'entraînement. 2. **Test Set (20%)** : Pour l'examen final (données jamais vues). > **Jamais** d'entraînement sur le Test Set ! ---

## 2. Sur-apprentissage (Overfitting) Le modèle apprend "trop bien" le Train Set (y compris le bruit), mais échoue sur le Test Set. * *Analogie* : L'étudiant qui apprend les exos par cœur mais rate l'examen si on change les chiffres. <iframe class="embedded-notebook" src="/observables/overfitting/index.html" width="100%" height="600px"></iframe>

## Sous-apprentissage (Underfitting) Le modèle est trop simple pour capturer la logique des données. * *Exemple* : Utiliser une droite pour prédire une trajectoire courbe. ---

## 3. Métriques de Classification L'Accuracy (Taux de réussite) ne suffit pas, surtout si les classes sont déséquilibrées. * **Matrice de Confusion** : Qui est confondu avec qui ? * **Précision** : Quand il dit "Oui", a-t-il raison ? * **Rappel (Recall)** : Trouve-t-il tous les "Oui" ?

## F1-Score Moyenne harmonique de la Précision et du Rappel. $$ F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} $$ Utile pour chercher un compromis. ---

## 4. Validation Croisée (Cross-Validation) Pour éviter le hasard d'une seule découpe Train/Test. On découpe en K parties (Folds). On entraîne K fois en changeant la partie de test. > Plus robuste, mais plus long à calculer.