« Convergence » : différence entre les versions
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
m (Remplacement de texte : « ↵↵==Sources== » par « ==Sources== ») |
||
| (14 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Désigne familièrement un état atteint pendant l'apprentissage, dans lequel la perte d'apprentissage et la perte de validation varient peu ou pas du tout entre chaque itération, passé un certain nombre d'itérations. Autrement dit, un modèle atteint la convergence lorsque la poursuite de l'apprentissage sur les données actuelles n'améliore pas le modèle. Dans l'apprentissage profond, les valeurs de perte restent parfois constantes ou presque pendant de nombreuses itérations avant de finalement diminuer, faisant croire à tort, temporairement, que la convergence a été atteinte | Désigne familièrement un état atteint pendant l'apprentissage, dans lequel la perte d'apprentissage et la perte de validation varient peu ou pas du tout entre chaque itération, passé un certain nombre d'itérations. Autrement dit, un [[modèle]] atteint la convergence lorsque la poursuite de l'apprentissage sur les données actuelles n'améliore pas le modèle. Dans l'[[apprentissage profond]], les valeurs de perte restent parfois constantes ou presque pendant de nombreuses itérations avant de finalement diminuer, faisant croire à tort, temporairement, que la convergence a été atteinte. | ||
Voir aussi [[arrêt prématuré]]. | |||
== Français == | == Français == | ||
'''convergence''' | |||
== Anglais == | == Anglais == | ||
'''convergence''' | |||
==Sources== | |||
[https://developers.google.com/machine-learning/glossary/ Source : Google machine learning glossary ] | |||
[[Category:GRAND LEXIQUE FRANÇAIS]] | |||
[[Category:Apprentissage profond]] | |||
[[Catégorie:ENGLISH]] | |||
[ | |||
Dernière version du 30 août 2024 à 17:58
Définition
Désigne familièrement un état atteint pendant l'apprentissage, dans lequel la perte d'apprentissage et la perte de validation varient peu ou pas du tout entre chaque itération, passé un certain nombre d'itérations. Autrement dit, un modèle atteint la convergence lorsque la poursuite de l'apprentissage sur les données actuelles n'améliore pas le modèle. Dans l'apprentissage profond, les valeurs de perte restent parfois constantes ou presque pendant de nombreuses itérations avant de finalement diminuer, faisant croire à tort, temporairement, que la convergence a été atteinte.
Voir aussi arrêt prématuré.
Français
convergence
Anglais
convergence
Sources
Contributeurs: Claire Gorjux, Jacques Barolet, wiki, Robert Meloche
