Fonction de coût
- Avancé
- Transversal
Définition complète
La fonction de coût (ou fonction de perte, loss function) mesure l’écart entre la prédiction d’un modèle et la bonne réponse attendue. Plus le coût est élevé, plus le modèle se trompe. L’entraînement consiste à ajuster les paramètres du modèle pour minimiser cette fonction sur les données d’apprentissage. Le choix de la fonction de coût dépend du problème : erreur quadratique pour de la régression, entropie croisée pour de la classification. Une fonction de coût mal choisie peut biaiser tout le modèle même avec de bonnes données. C’est l’un des leviers de réglage d’un projet d’apprentissage.
À quoi ça sert
Cas d'usage typiques
1) Vision : choix d’une perte adaptée à la détection d’objets rares. 2) NLP (Natural Language Processing) : entropie croisée pour entraîner un classifieur d’intentions. 3) Audit modèle : analyse de la courbe de perte sur train vs validation pour détecter du surapprentissage. 4) Formation data scientist : exercice de comparaison de fonctions de coût sur un même dataset.
Mises en situation
S'approprier cette notion dans son quotidien de travail
Contexte
Une coordinateur de site d'une exploitation agricole en bio découvre la notion de « Fonction de coût » et souhaite l'appliquer à une situation concrète de son métier.
Application
Elle prend un cas réel rencontré récemment, identifie comment la notion s'y applique et formalise en quelques phrases ce que cela change dans sa pratique. Elle partage le résultat avec un collègue pour s'assurer que sa compréhension tient la route et l'intègre dans sa boîte à outils.
Résultat attendu
La notion sert de cadre commun et facilite les échanges avec les parties prenantes.