« Séparation à faible densité » : différence entre les versions


m (Imeziani a déplacé la page Low-density separation vers Séparation à faible densité)
m (Remplacement de texte : « ↵<small> » par «  ==Sources== »)
 
(4 versions intermédiaires par 3 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
==en construction==
== Définition ==
La séparation à faible densité en apprentissage automatique concerne la séparation d’un liquide à faible densité d’un liquide ayant une densité plus élevée. Cela peut être appliqué dans divers contextes, tels que la classification semi-supervisée et la stabilité du clustering.


== Français ==
''' séparation à faible densité '''
== Anglais ==
''' low-density separation'''
== Définition ==
== Définition ==
XXXXXXXXX
La séparation à faible densité en apprentissage automatique concerne la séparation d’un liquide à faible densité d’un liquide ayant une densité plus élevée. Cela peut être appliqué dans divers contextes, tels que la classification semi-supervisée et la stabilité du clustering.


== Français ==
== Français ==
''' XXXXXXXXX '''
''' séparation à faible densité '''


== Anglais ==
== Anglais ==
''' Low-density separation'''
''' low-density separation'''
 
'''LDS'''


Another major class of methods attempts to place boundaries in regions with few data points (labeled or unlabeled). One of the most commonly used algorithms is the transductive support vector machine, or TSVM (which, despite its name, may be used for inductive learning as well). Whereas support vector machines for supervised learning seek a decision boundary with maximal margin over the labeled data, the goal of TSVM is a labeling of the unlabeled data such that the decision boundary has maximal margin over all of the data. In addition to the standard hinge loss {\displaystyle (1-yf(x))_{+}}(1-yf(x))_{+} for labeled data, a loss function {\displaystyle (1-|f(x)|)_{+}}(1-|f(x)|)_{+} is introduced over the unlabeled data by letting {\displaystyle y=\operatorname {sign} {f(x)}}y=\operatorname {sign} {f(x)}. TSVM then selects {\displaystyle f^{*}(x)=h^{*}(x)+b}f^{*}(x)=h^{*}(x)+b from a reproducing kernel Hilbert space {\displaystyle {\mathcal {H}}}{\mathcal {H}} by minimizing the regularized empirical risk:


<small>
==Sources==


[https://en.wikipedia.org/wiki/Semi-supervised_learning#Low-density_separation Source : Wikipedia  Machine Learning ]
[https://en.wikipedia.org/wiki/Semi-supervised_learning#Low-density_separation Source : Wikipedia  Machine Learning ]




[[Catégorie:vocabulary]]
[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:Wikipedia-IA‎]]

Dernière version du 28 janvier 2024 à 13:02

Définition

La séparation à faible densité en apprentissage automatique concerne la séparation d’un liquide à faible densité d’un liquide ayant une densité plus élevée. Cela peut être appliqué dans divers contextes, tels que la classification semi-supervisée et la stabilité du clustering.

Français

séparation à faible densité

Anglais

low-density separation

Définition

La séparation à faible densité en apprentissage automatique concerne la séparation d’un liquide à faible densité d’un liquide ayant une densité plus élevée. Cela peut être appliqué dans divers contextes, tels que la classification semi-supervisée et la stabilité du clustering.

Français

séparation à faible densité

Anglais

low-density separation

LDS


Sources

Source : Wikipedia Machine Learning

Récupérée de « https://datafranca.org/wiki/index.php?title=Séparation_à_faible_densité&oldid=92595 »

Contributeurs: Imane Meziani, Marie Alfaro, wiki