CHAPITRE VI Application du Machine Learning pour l’étude la performance hydraulique
105
Après le teste de plusieurs techniques, on a retenu le modèle XGBOOST. Ce dernier a montré un
score élevé de 0.932 sur l’ensemble de données d’apprentissage.
Figure VI-10 Illustration du head et du tail de la base de données traitée.
VI.3.4. Validation
Le modèle obtenu durant l’apprentissage a donné un score de 0.864 sur l’ensemble de test et une
allure très proche de celle correspondante aux valeurs mesurées (Figure VI-11 et Figure VI-12).
Ces dernières montrent que la majorité des points sont très proches. On peut observer également
qu’il existe quelques divergences apparentes, ce qui a influé le score obtenu.
L’erreur moyenne quadratique RMSE pondérée présente un outil efficace pour la validation du
modèle selon (Joost P. den Bieman, 2021).
𝑅𝑀𝑆𝐸 = √
1
∑
 
𝑁
𝑛=1 (𝑊𝐹 𝑛 )
1
𝑁
∑  
𝑁
𝑛=1
(𝑊𝐹 𝑛 ⋅ (log 10 (𝑞 predicted ,𝑛 ) − log 10 (𝑞 measured ,𝑛 ))
2
)
Équation
VI-11
Le facteur de poids (WF) est déterminé avec la formule de Van Gent et al. (2007) :
𝑊𝐹 = (4 − 𝑅𝐹) ∗ (4 − 𝐶𝐹).
Équation VI-12
Cette formule donne le WF le plus élevé aux données d'entraînement les plus fiables et les moins
complexes.
De plus, Van Gent et al. (2007) indiquent que les mesures correspondant aux faibles houles
moyennes dépassant les débits, peuvent être fortement affectées par les effets d'échelle et sont
donc moins fiables.