« Perte » : différence entre les versions


m (Remplacement de texte — « Termes privilégiés » par « Français »)
Aucun résumé des modifications
 
(26 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
__NOTOC__
==Définition==
== Domaine ==
Mesure de l'[[écart]] entre les [[prédiction]]s d'un modèle et son étiquette ou [[performance]] du modèle. Pour déterminer cette valeur, un modèle doit définir une fonction de perte.
[[Category:GRAND LEXIQUE FRANÇAIS]]
[[Category:Vocabulaire2]]
[[Category:Google2]]
[[Category:Apprentissage profond2]]
[[Category:scotty2]]


<br />
Par exemple, les modèles de [[régression linéaire|régression linéaire]] utilisent généralement l'[[erreur quadratique moyenne]] comme fonction de perte, tandis que les [[modèle de régression|modèles de régression]] logistiques utilisent la [[perte logistique]].


== Définition ==
==Français==
Mesure de l'écart entre les prédictions d'un modèle et son étiquette. Ou '''performance''' du modèle.  Pour déterminer cette valeur, un modèle doit définir une fonction de perte. Par exemple, les modèles de régression linéaire utilisent généralement l'erreur quadratique moyenne comme fonction de perte, tandis que les modèles de régression logistiques utilisent la perte logistique.
'''perte'''  


'''performance du modèle''' 


<br />
==Anglais==
'''loss '''


== Français ==
==Sources==
=== perte n.f.===
[https://developers.google.com/machine-learning/glossary/ Source : Google, ''Machine learning glossary''.]


 
[[Category:GRAND LEXIQUE FRANÇAIS]]
<br />
 
== Anglais ==
 
===  loss ===
 
<br/>
<br/>
<br/>
[https://developers.google.com/machine-learning/glossary/  Source: Google machine learning glossary ]
<br/>
<br/>
<br/>

Dernière version du 15 février 2024 à 14:21

Définition

Mesure de l'écart entre les prédictions d'un modèle et son étiquette ou performance du modèle. Pour déterminer cette valeur, un modèle doit définir une fonction de perte.

Par exemple, les modèles de régression linéaire utilisent généralement l'erreur quadratique moyenne comme fonction de perte, tandis que les modèles de régression logistiques utilisent la perte logistique.

Français

perte

performance du modèle

Anglais

loss

Sources

Source : Google, Machine learning glossary.