« Fléau de la dimension » : différence entre les versions

Version du 2 mai 2019 à 15:44

Domaine

Vocabulaire

Définition

Le fléau de la dimension (curse of dimensionality) est un terme inventé par Richard Bellman en 1961 pour désigner divers phénomènes qui ont lieu lorsque l'on cherche à analyser ou organiser des données dans des espaces de grande dimension alors qu'ils n'ont pas lieu dans des espaces de dimension moindre.

On emploie ici le mot « dimension » au sens algébrique : la dimension de l’espace vectoriel sous-jacent aux valeurs des vecteurs de descripteurs. La réduction de dimensionnalité permet de réduire la complexité d’un problème d’apprentissage automatique à plusieurs niveaux : d’un point de vue théorique, cela entraîne automatiquement une amélioration des propriétés de stabilité et de robustesse des algorithmes.

Français

fléau de la dimension n.m.
malédiction de la dimension n.f.
malédiction de la dimensionnalité n.f.

Anglais

curse of dimensionality

Source: Michel Delecroix, Le fléau de la dimension et ses parades

Source: Data Analytics Post, Réduction de la dimensionnalité

@@ Ligne 5 : / Ligne 5 : @@
 [[Category:scotty2]]
   <br />
-  [[Category:GRAND LEXIQUE FRANÇAIS]]
+   [[Category:GRAND LEXIQUE FRANÇAIS]]
@@ Ligne 13 : / Ligne 13 : @@
 Le fléau de la dimension (''curse of dimensionality'') est un terme inventé par Richard Bellman en 1961 pour désigner divers phénomènes qui ont lieu lorsque l'on cherche à analyser ou organiser des données dans des espaces de grande dimension alors qu'ils n'ont pas lieu dans des espaces de dimension moindre.
-Plusieurs domaines sont concernés et notamment l'apprentissage automatique, la fouille de données, les bases de données, l'analyse numérique ou encore l'échantillonnage. L'idée générale est que lorsque le nombre de dimensions augmente, le volume de l'espace croît rapidement si bien que les données se retrouvent « isolées » et deviennent éparses. Cela est problématique pour les méthodes nécessitant un nombre significatif de données pour être valides, les rendant alors peu efficaces voire inopérantes.
+On emploie ici le mot « dimension » au sens algébrique : la dimension de l’espace vectoriel sous-jacent aux valeurs des vecteurs de descripteurs. La réduction de dimensionnalité permet de réduire la complexité d’un problème d’apprentissage automatique à plusieurs niveaux : d’un point de vue théorique, cela entraîne automatiquement une amélioration des propriétés de stabilité et de robustesse des algorithmes.
 <br />
 <br />