« Méthode à noyau » : différence entre les versions

Dernière version du 28 janvier 2024 à 11:30

Définition

En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le séparateur à vaste marge (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être ramenés dans l’espace de départ grâce à une métrique (ou fonction à noyau) spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données.

Français

méthode à noyaux

méthode à noyau

Anglais

Kernel method

Sources

Source: ens.fr

Sourrce: cedric.cnam.fr/

source : Claude Coulombe ( discussion)

@@ Ligne 1 : / Ligne 1 : @@
-== Domaine ==
+[[Catégorie:Intelligence artificielle]]
-[[Category:Vocabulary]]
+[[Catégorie:Apprentissage automatique]]
+<!-- Coulombe -->
+[[Category:GRAND LEXIQUE FRANÇAIS]]
-== Définition ==
+==Définition==
-En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le séparateur à vaste marge (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être « ramenés » dans l’« espace de départ » grâce à la « fonction à noyaux » spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données.
+En apprentissage automatique, les méthodes à noyaux désignent une classe de méthodes qui permettent à partir d’un algorithme linéaire d’obtenir une version non linéaire. La méthode la plus répandue parmi les méthodes à noyau est le '''[[séparateur à vaste marge]]''' (SVM). Le principe est d’appliquer l’algorithme linéaire sur une projection des données dans un espace de dimension plus grande ce qui facilite la séparation des données en différentes classes. Les résultats sur les données projetées peuvent être ramenés dans l’espace de départ grâce à une métrique (ou fonction à noyau) spécifiée par l'utilisateur qui est une fonction de similarité sur des paires de points de données.
+==Français==
+'''méthode à noyaux '''
-== Français ==
+'''méthode à noyau'''
-<h3>
-<poll> Choisissez parmi ces termes proposés :
-méthode à noyaux
-méthode à noyau
-méthodes à noyau
-méthode du noyau
-</poll>
-</h3> <h3>Discussion:</h3> Pour le moment, le terme privilégié est «méthode à noyaux». <br>"
-Sources:
+==Anglais==
-https://www.di.ens.fr/~fbach/rasma_fbach.pdf
+'''Kernel method '''
-http://cedric.cnam.fr/vertigo/Cours/ml2/coursMethodesNoyaux.html
+==Sources==
-== Anglais ==
+[https://www.di.ens.fr/~fbach/rasma_fbach.pdf Source: ens.fr]
-=== Kernel method ===
+[http://cedric.cnam.fr/vertigo/Cours/ml2/coursMethodesNoyaux.html Sourrce: cedric.cnam.fr/]
-In machine learning, kernel methods are a class of algorithms for pattern analysis, whose best known member is the support vector machine (SVM). The general task of pattern analysis is to find and study general types of relations (for example clusters, rankings, principal components, correlations, classifications) in datasets. For many algorithms that solve these tasks, the data in raw representation have to be explicitly transformed into feature vector representations via a user-specified feature map: in contrast, kernel methods require only a user-specified kernel, i.e., a similarity function over pairs of data points in raw representation.
-<br/>
+[[Utilisateur:Claude COULOMBE | source : Claude Coulombe]]            ([[Discussion utilisateur:Claude COULOMBE | discussion]])
-<br/>
-<br/>
-<br/>
-<br/>
-<br/>
-<br/>