« Perte quadratique » : 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 == | ||
Fonction de perte utilisée dans la régression linéaire, également appelée '''perte L2'''. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un modèle pour un exemple étiqueté et la valeur réelle de l'étiquette. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la '''perte L1'''. | Fonction de perte utilisée dans la régression linéaire, également appelée '''perte L2'''. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un modèle pour un exemple étiqueté et la valeur réelle de l'étiquette. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la '''perte L1'''. | ||
== Français == | |||
''' perte quadratique <small>n.f.</small> ''' | |||
'''perte L2 <small>n.f.</small>''' | |||
== Anglais == | |||
''' squared loss ''' | |||
'''L2 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 22:03
Domaine
Apprentissage profond
Définition
Fonction de perte utilisée dans la régression linéaire, également appelée perte L2. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un modèle pour un exemple étiqueté et la valeur réelle de l'étiquette. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la perte L1.
Français
perte quadratique n.f.
perte L2 n.f.
Anglais
squared loss
L2 loss
Contributeurs: Claire Gorjux, Jacques Barolet, wiki
