« Séparateur à vaste marge » : différence entre les versions
mAucun résumé des modifications Balise : Éditeur de wikicode 2017 |
(Svp, détruire l'autre entrée SVM en anglais qui est redondante) Balise : Éditeur de wikicode 2017 |
||
| Ligne 1 : | Ligne 1 : | ||
== Domaine == | ==Domaine== | ||
[[Category:Vocabulary]]<br/> | [[Category:Vocabulary]] | ||
[[Category:Intelligence artificielle]]Intelligence artificielle<br/> | <br /> | ||
[[Catégorie:Apprentissage automatique]] Apprentissage automatique<br/> | [[Category:Intelligence artificielle]] | ||
[Category:Coulombe]]Coulombe<br/> | Intelligence artificielle<br /> | ||
[[Catégorie:Scotty]]<br/> | [[Catégorie:Apprentissage automatique]] | ||
Apprentissage automatique<br /> | |||
[Category:Coulombe]]Coulombe<br /> | |||
[[Catégorie:Scotty]] | |||
<br /> | |||
<br /> | <br /> | ||
== Définition == | ==Définition== | ||
Les séparateurs à vaste marge (SVM) sont un ensemble d'algorithmes d'apprentissage supervisé destinées à résoudre des problèmes de classification et de régression. Les SVM sont une généralisation des classificateurs linéaires. | Les séparateurs à vaste marge (SVM) sont un ensemble d'algorithmes d'apprentissage supervisé destinées à résoudre des problèmes de classification et de régression. Les SVM sont une généralisation des classificateurs linéaires. | ||
| Ligne 20 : | Ligne 24 : | ||
<br /> | <br /> | ||
== Français == | ==Français== | ||
<poll> | <poll> | ||
Choisissez parmi ces termes proposés : | Choisissez parmi ces termes proposés : | ||
| Ligne 30 : | Ligne 34 : | ||
Pour le moment, le terme privilégié est «séparateur à vaste marge». | Pour le moment, le terme privilégié est «séparateur à vaste marge». | ||
Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.<br/> | Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.<br /> | ||
On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique. | On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique. | ||
<br/> | <br /> | ||
== Anglais == | ==Anglais== | ||
===support vector machine=== | ===support vector machine=== | ||
Support vector machines are very powerful algorithms built on an extremely simple premise. Pick the two examples of your different classes that are closest to each other. In practice, this is typically done by finding the Euclidean distance between every training example. These two examples are your support vectors. | |||
Draw a line through the space between the support vectors. This is your hyperplane. | |||
Wiggle the hyperplane around until it maximizes the total distance between the plane and each support vector. This is your cushion. | |||
https://opendatascience.com/machine-learning-for-beginners/ | |||
<br/> | <br /> | ||
<br/> | <br /> | ||
Version du 12 avril 2019 à 17:34
Domaine
Intelligence artificielle
Apprentissage automatique
[Category:Coulombe]]Coulombe
Définition
Les séparateurs à vaste marge (SVM) sont un ensemble d'algorithmes d'apprentissage supervisé destinées à résoudre des problèmes de classification et de régression. Les SVM sont une généralisation des classificateurs linéaires.
Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Chervonenkis. Ils ont rapidement été adoptés pour leur capacité à travailler avec des données de grandes dimensions, le faible nombre d'hyperparamètres, leurs garanties théoriques, et leurs bons résultats en pratique.
Les SVM ont été appliqués à de très nombreux domaines (bio-informatique, recherche d'information, vision par ordinateur, finance1…). Selon les données, la performance des machines à vecteurs de support peut être du même ordre, ou même supérieure, à celle d'un réseau de neurones ou d'un modèle de mélanges gaussiens.
Source:
https://fr.wikipedia.org/wiki/Machine_%C3%A0_vecteurs_de_support
Français
<poll> Choisissez parmi ces termes proposés : séparateur à vaste marge machine à vecteurs de support classificateur à vaste marge </poll>
Discussion:
Pour le moment, le terme privilégié est «séparateur à vaste marge».
Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.
On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique.
Anglais
support vector machine
Support vector machines are very powerful algorithms built on an extremely simple premise. Pick the two examples of your different classes that are closest to each other. In practice, this is typically done by finding the Euclidean distance between every training example. These two examples are your support vectors.
Draw a line through the space between the support vectors. This is your hyperplane.
Wiggle the hyperplane around until it maximizes the total distance between the plane and each support vector. This is your cushion.
Contributeurs: Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki
