Surapprentissage - Historique des versions

Pitpitt le 20 avril 2026 à 00:54

2026-04-20T00:54:15Z

← Version précédente		Version du 19 avril 2026 à 20:54
Ligne 18 :		Ligne 18 :

	'''overtraining'''		'''overtraining'''

			The overfitting is a problem that can arise in mathematical classification methods for neural networks. It is generally caused by incorrectly dimensioning the structure used to classify. Because of its excessive capacity to store information, a structure in an overlearning situation will have difficulty generalizing the features of the data. It then behaves like a table containing all the samples used during learning and loses its predictive powers on new samples.

			See also: curse of dimensionality

	==Español==		==Español==

Arianne le 2 décembre 2025 à 15:19

2025-12-02T15:19:21Z

← Version précédente		Version du 2 décembre 2025 à 11:19
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir avec les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.		Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir avec les '''[[Algorithme d'apprentissage\|algorithmes d'apprentissage]]'''. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.

	==Compléments==		==Compléments==

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

2025-09-24T00:58:11Z

Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

← Version précédente		Version du 23 septembre 2025 à 20:58
Ligne 20 :		Ligne 20 :

	==Español==		==Español==
			[[Catégorie:es]]

	''''' sobreajuste '''''		''''' sobreajuste '''''

Jean-Sébastien Zavalone le 23 juillet 2025 à 14:58

2025-07-23T14:58:43Z

← Version précédente		Version du 23 juillet 2025 à 10:58
Ligne 18 :		Ligne 18 :

	'''overtraining'''		'''overtraining'''

			==Español==

			''''' sobreajuste '''''

			''El sobreajuste es un problema que puede producirse en los métodos de clasificación matemática de las redes neuronales. Generalmente se debe a un dimensionamiento incorrecto de la estructura utilizada para clasificar. Debido a su excesiva capacidad para almacenar información, un modelo complejo en situación de sobreaprendizaje tendrá dificultades para generalizar los atributos de los datos. El modelo se comporta entonces como una tabla que contiene todos los datos utilizados durante el entrenamiento y pierde su capacidad de predicción sobre nuevas muestras. Se suele decir que el modelo aprende de memoria.''

	==Sources==		==Sources==
Ligne 25 :		Ligne 31 :

	[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.]		[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.]

			{{Modèle:101}}
	{{Modèle:GDT}}		{{Modèle:GDT}}

	[[Catégorie:GDT]]		[[Catégorie:GDT]]
	[[Category:intelligence artificielle]]		[[Category:intelligence artificielle]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]

Pitpitt le 3 avril 2025 à 14:08

2025-04-03T14:08:22Z

← Version précédente		Version du 3 avril 2025 à 10:08
Ligne 31 :		Ligne 31 :
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]
	~~[[Catégorie:Publication]]~~

Claude COULOMBE le 20 mars 2025 à 18:53

2025-03-20T18:53:39Z

← Version précédente		Version du 20 mars 2025 à 14:53
Ligne 20 :		Ligne 20 :

	==Sources==		==Sources==
	[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=surapprentissage+&index=alt&codom2nd_wet=1#resultrecs ~~Source :~~ TERMIUM Plus]		[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=surapprentissage+&index=alt&codom2nd_wet=1#resultrecs TERMIUM Plus]

	[https://developers.google.com/machine-learning/glossary/ ~~Source :~~ Google, ''Machine learning glossary'']		[https://developers.google.com/machine-learning/glossary/ Google, ''Machine learning glossary'']

	[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 ~~Source :~~ Wikipedia, Surapprentissage.]		[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.]
	{{Modèle:GDT}}		{{Modèle:GDT}}

Claude COULOMBE le 20 mars 2025 à 08:21

2025-03-20T08:21:03Z

← Version précédente		Version du 20 mars 2025 à 04:21
Ligne 3 :		Ligne 3 :

	==Compléments==		==Compléments==
	De par sa trop grande capacité à stocker des informations, un modèle complexe dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[~~Attributs~~\|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.		De par sa trop grande capacité à stocker des informations, un modèle complexe dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[Attribut\|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.

	==Français==		==Français==

Claude COULOMBE le 20 mars 2025 à 08:20

2025-03-20T08:20:38Z

← Version précédente		Version du 20 mars 2025 à 04:20
Ligne 3 :		Ligne 3 :

	==Compléments==		==Compléments==
	De par sa trop grande capacité à stocker des informations, un modèle dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[Attributs\|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.		De par sa trop grande capacité à stocker des informations, un modèle complexe dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[Attributs\|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.

	==Français==		==Français==

Claude COULOMBE le 20 mars 2025 à 08:20

2025-03-20T08:20:16Z

← Version précédente		Version du 20 mars 2025 à 04:20
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir ~~dans~~ les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.		Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir avec les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.

	==Compléments==		==Compléments==

Claude COULOMBE le 20 mars 2025 à 08:19

2025-03-20T08:19:51Z

← Version précédente		Version du 20 mars 2025 à 04:19
Ligne 1 :		Ligne 1 :
	==Définition==		==Définition==
	Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir dans les ~~méthodes mathématiques de classification pour les '''[[Réseau de neurones artificiels\|réseaux de neurones]]''~~'. Il est, en général, provoqué par un mauvais ~~dimensionnement~~ de ~~la structure utilisée pour classifier. De par sa~~ trop grande capacité à stocker des informations, une structure dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[Attributs\|attributs]]''' des '''[[données]]'''. Elle se comporte alors comme une table contenant tous les échantillons utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons.		Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir dans les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.

	~~Voir aussi~~ '''[[~~Fléau de la haute dimension~~\|~~fléau de la dimension~~]]'''		==Compléments==
			De par sa trop grande capacité à stocker des informations, un modèle dans une situation de surapprentissage aura de la peine à '''[[Généralisation\|généraliser]]''' les '''[[Attributs\|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.

	==Français==		==Français==
Ligne 30 :		Ligne 31 :
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	[[Catégorie:101]]		[[Catégorie:101]]
			[[Catégorie:Publication]]

Surapprentissage - Historique des versions

Pitpitt le 20 avril 2026 à 00:54

Arianne le 2 décembre 2025 à 15:19

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »

Jean-Sébastien Zavalone le 23 juillet 2025 à 14:58

Pitpitt le 3 avril 2025 à 14:08

Claude COULOMBE le 20 mars 2025 à 18:53

Claude COULOMBE le 20 mars 2025 à 08:21

Claude COULOMBE le 20 mars 2025 à 08:20

Claude COULOMBE le 20 mars 2025 à 08:20

Claude COULOMBE le 20 mars 2025 à 08:19

Pitpitt : Remplacement de texte : « ==Español== » par « ==Español== Catégorie:es »