« Quantification de l’incertitude » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 4 : | Ligne 4 : | ||
==Définition== | ==Définition== | ||
Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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 | Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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 aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle. | ||
==Français== | ==Français== | ||
Version du 5 janvier 2021 à 08:53
en construction
Définition
Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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 aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.
Français
Quantification de l’incertitude
Anglais
Uncertainty Quantification
Contributeurs: wiki, Sihem Kouache
