« Régularisation » : différence entre les versions
m (Remplacement de texte : « ↵<small> » par « ==Sources== ») |
Aucun résumé des modifications |
||
| (Une version intermédiaire par le même utilisateur non affichée) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Processus qui consiste généralement à pénaliser les valeurs extrêmes des paramètres d'un modèle afin d'éviter un éventuel surajustement | Processus qui consiste généralement à pénaliser les valeurs extrêmes des paramètres d'un [[modèle]] afin d'éviter un éventuel surajustement. | ||
Remarque : les régularisations les plus couramment employées dans le domaine des mathématiques, statistiques et de l'apprentissage automatique sont les régularisations L1 et L2. | |||
==Français== | ==Français== | ||
'''régularisation''' | '''régularisation''' | ||
==Anglais== | ==Anglais== | ||
'''regularization''' | '''regularization''' | ||
==Sources== | ==Sources== | ||
Source : Nicolas Chapados, Yoshua Bengio (2003). ''Comment améliorer la capacité de généralisation des algorithmes d'apprentissage pour la prise de décisions financières'', Montréal, CIRANO, 68 pages | |||
Source: Nicolas Chapados, Yoshua Bengio (2003). ''Comment améliorer la capacité de généralisation des algorithmes d'apprentissage pour la prise de décisions financières'', Montréal, CIRANO, 68 pages | |||
[[Utilisateur:Patrickdrouin | Source : Termino]] | [[Utilisateur:Patrickdrouin | Source : Termino]] | ||
[https://developers.google.com/machine-learning/glossary/ Source: ''Google machine learning glossary''] | [https://developers.google.com/machine-learning/glossary/ Source : ''Google machine learning glossary''] | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Category:Intelligence artificielle]] | [[Category:Intelligence artificielle]] | ||
[[Catégorie:Apprentissage profond]] | [[Catégorie:Apprentissage profond]] | ||
[[Category:Termino 2019]] | [[Category:Termino 2019]] | ||
Version du 6 avril 2024 à 12:25
Définition
Processus qui consiste généralement à pénaliser les valeurs extrêmes des paramètres d'un modèle afin d'éviter un éventuel surajustement.
Remarque : les régularisations les plus couramment employées dans le domaine des mathématiques, statistiques et de l'apprentissage automatique sont les régularisations L1 et L2.
Français
régularisation
Anglais
regularization
Sources
Source : Nicolas Chapados, Yoshua Bengio (2003). Comment améliorer la capacité de généralisation des algorithmes d'apprentissage pour la prise de décisions financières, Montréal, CIRANO, 68 pages
Contributeurs: Claire Gorjux, Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki, Robert Meloche
