Ce notebook explore le compromis biais-variance, d'abord de façon théorique, puis par le biais (!) d'exemples concrets :
- régression polynômiale ;
- régression par k-nearest neighbours ;
- classification par SVM ;
- classification par Random Forest.
Deux versions sont disponibles : le notebook à compléter (version élève), et celui ("CORRECTION") avec code, résultats et commentaires.
Ce travail a servi d'évaluation pour le module Supervized Machine Learning (enseigné par Emmanuel Rachelson) de la filière Science des Données et de la Décision de l'ISAE-Supaéro -- 2017-2018.
Thibaud Durivaux & Aymeline Martin