« Perte » : différence entre les versions
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
||
| Ligne 1 : | Ligne 1 : | ||
==Domaine== | ==Domaine== | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
| Ligne 6 : | Ligne 5 : | ||
[[Category:Apprentissage profond]]Apprentissage profond<br /> | [[Category:Apprentissage profond]]Apprentissage profond<br /> | ||
[[Category:scotty2]] | [[Category:scotty2]] | ||
==Définition== | ==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. | 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== | ==Français== | ||
| Ligne 20 : | Ligne 14 : | ||
'''performance du modèle''' n.f. | '''performance du modèle''' n.f. | ||
==Anglais== | |||
'''loss ''' | |||
[https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary] | [https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary] | ||
Version du 15 juin 2019 à 22:02
Domaine
Apprentissage profond
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 n.f.
performance du modèle n.f.
Anglais
loss
Contributeurs: Claire Gorjux, Jacques Barolet, wiki
