Glossaire



| 2 | 3 | A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z |

Validation Croisée

La validation croisée désigne le processus qui permet tester la précision prédictive d'un modèle dans un échantillon test (parfois aussi appelé échantillon de validation croisée) par rapport à la précision prédictive de l'échantillon d'apprentissage à partir duquel le modèle a été développé. Dans l'idéal, avec un échantillon suffisamment grand, une certaine proportion d'observations (disons la moitié ou les deux-tiers) peut être affectée à l'échantillon d'apprentissage et les observations restantes sont affectées à l'échantillon test. Le modèle peut être construit en utilisant les observations de l'échantillon d'apprentissage, et la puissance prédictive peut être testée en utilisant les observations de l'échantillon test. Si le modèle s'exécute aussi bien sur l'échantillon test que sur l'échantillon d'apprentissage, nous pouvons dire que la validation croisée est bonne ou plus simplement, qu'il y a validation croisée. Pour une présentation de ce type de validation croisée d'échantillon test, voir la section Méthodes de Calcul de la rubrique Arbres de Décision - Introduction, la section Classification de la rubrique Analyse Discriminante - Introduction.

Diverses techniques ont été développées pour réaliser des validations croisées avec de petits échantillons en construisant des échantillons test et des échantillons d'apprentissage partiellement (mais pas complètement) indépendants. Pour une présentation de certaines de ces techniques, vous pouvez consulter la section Méthodes de Calcul de la rubrique Arbres de Décision - Introduction.