Échantillon, population et biais
Distinguer ce qu'on voit de ce qu'on veut savoir.
Le piège de la collecte
Vos données sont un échantillon, pas la population future. S'il est collecté le lundi matin, il ne représente pas le samedi soir. Un modèle n'est bon que pour le monde qui ressemble à son échantillon.
Biais d'estimateur
Un estimateur est biaisé s'il se trompe en moyenne systématiquement. Exemple : variance divisée par n au lieu de n-1 sous-estime un peu. En ML on accepte parfois un peu de biais pour beaucoup moins de variance : c'est tout l'art de la régularisation.
Pas de correction en ligneConfrontez votre code aux résultats attendus du cours.