« Quantification de l’incertitude » : différence entre les versions
Aucun résumé des modifications |
m (Remplacement de texte : « ↵<small> » par « ==Sources== ») |
||
| (10 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle. | |||
==Français== | ==Français== | ||
| Ligne 11 : | Ligne 8 : | ||
'''Uncertainty Quantification''' | '''Uncertainty Quantification''' | ||
==Sources== | |||
[https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ] | [https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ] | ||
| Ligne 18 : | Ligne 15 : | ||
[[Catégorie: | [[Catégorie:GRAND LEXIQUE FRANÇAIS]] | ||
Dernière version du 28 janvier 2024 à 11:35
Définition
Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.
Français
Quantification de l’incertitude
Anglais
Uncertainty Quantification
Sources
Contributeurs: wiki, Sihem Kouache
