« Méthode à noyau » : différence entre les versions
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
Aucun résumé des modifications |
||
| Ligne 1 : | Ligne 1 : | ||
== Domaine == | ==Domaine== | ||
[[Category:Vocabulary]] | [[Category:Vocabulary]] | ||
[[Catégorie:Intelligence artificielle]]Intelligence artificielle<br> | [[Catégorie:Intelligence artificielle]] | ||
[[Catégorie:Apprentissage automatique]]Apprentissage automatique<br> | Intelligence artificielle<br> | ||
[[Catégorie:Coulombe]] Coulombe<br> | [[Catégorie:Apprentissage automatique]] | ||
Apprentissage automatique<br> | |||
[[Catégorie:Coulombe]] | |||
Coulombe<br> | |||
[[Catégorie:scotty]] | [[Catégorie:scotty]] | ||
[[Catégorie:9]] | [[Catégorie:9]] | ||
== Définition == | ==Définition== | ||
En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le séparateur à vaste marge (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être ramenés dans l’espace de départ grâce à une « fonction à noyau » spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données. | En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le séparateur à vaste marge (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être ramenés dans l’espace de départ grâce à une « fonction à noyau » spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données. | ||
== Français == | ==Français== | ||
'''méthode à noyaux ''' n.f. | '''méthode à noyaux ''' n.f. | ||
| Ligne 18 : | Ligne 21 : | ||
==Anglais== | |||
== Anglais == | |||
'''Kernel method ''' | '''Kernel method ''' | ||
[https://www.di.ens.fr/~fbach/rasma_fbach.pdf | [https://www.di.ens.fr/~fbach/rasma_fbach.pdf Source: ens.fr] | ||
[http://cedric.cnam.fr/vertigo/Cours/ml2/coursMethodesNoyaux.html | [http://cedric.cnam.fr/vertigo/Cours/ml2/coursMethodesNoyaux.html Sourrce: cedric.cnam.fr/] | ||
Source Claude Coulombe, Datafranca.org | Source: Claude Coulombe, Datafranca.org | ||
Version du 23 mai 2019 à 15:04
Domaine
Intelligence artificielle
Apprentissage automatique
Coulombe
Définition
En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le séparateur à vaste marge (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être ramenés dans l’espace de départ grâce à une « fonction à noyau » spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données.
Français
méthode à noyaux n.f.
méthode à noyau n.f.
Anglais
Kernel method
Source: Claude Coulombe, Datafranca.org
Contributeurs: Claude Coulombe, Jacques Barolet, wiki
