« Régression SVM » : différence entre les versions

Dernière version du 28 janvier 2024 à 12:16

Définition

Les machines à vecteurs de support ou séparateurs à vaste marge (en anglais Support Vector Machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires et peuvent également être utilisées comme méthode de régression, en conservant toutes les principales caractéristiques qui définissent l'algorithme (marge maximale).

La régression SVM utilise les mêmes principes que la SVM pour la classification, à quelques différences près. Par exemple, comme la sortie est un nombre réel, il devient très difficile de prédire les informations disponibles, ce qui offre des possibilités infinies.

Français

Régression SVM (Machine à vecteurs de support)

Anglais

Regression SVM (Support Vector Machine)

Sources

Source : saedsayad.com

Source : Accenture - applied intelligence glossary

Source : wikipedia.org

@@ Ligne 1 : / Ligne 1 : @@
 == Définition ==
-La Machine à vecteurs de support ( SVM ) peut également être utilisé comme méthode de régression, en conservant toutes les principales caractéristiques qui caractérisent l'algorithme (marge maximale).
+Les machines à vecteurs de support ou séparateurs à vaste marge (en anglais Support Vector Machine, SVM) sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Les SVM sont une généralisation des classifieurs linéaires et peuvent également être utilisées comme méthode de régression, en conservant toutes les principales caractéristiques qui définissent l'algorithme (marge maximale).
-La régression SVM  utilise les mêmes principes que le SVM pour la classification, avec seulement quelques différences mineures. Tout d'abord, comme la sortie est un nombre réel, il devient très difficile de prédire les informations disponibles, ce qui offre des possibilités infinies.
+La régression SVM utilise les mêmes principes que la SVM pour la classification, à quelques différences près. Par exemple, comme la sortie est un nombre réel, il devient très difficile de prédire les informations disponibles, ce qui offre des possibilités infinies.
-Dans le cas d'une régression, une marge de tolérance (epsilon) est fixée en approximation à la SVM qui aurait déjà demandé au problème.
+== Français ==
+'''Régression SVM''' (Machine à vecteurs de support)
-== Français ==
-'''Régression SVM'''  (Machine à vecteurs de support)   <small> féminin </small>
 == Anglais ==
-''' Regression SVM'''
+''' Regression SVM''' (Support Vector Machine)
-<small>
+==Sources==
 [https://www.saedsayad.com/support_vector_machine_reg.htm  Source : saedsayad.com]
 [https://www.accenture.com/us-en/applied-intelligence-glossary    Source : Accenture - applied intelligence glossary ]
+[https://fr.wikipedia.org/wiki/Machine_%C3%A0_vecteurs_de_support  Source : wikipedia.org]
 [[Catégorie:ENGLISH]]
 [[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-[[Catégorie:Scotty2]]

« Régression SVM » : différence entre les versions