« Marge maximale » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
 
(21 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
__NOTOC__
== Domaine ==
[[Category:Vocabulaire]]Vocabulaire<br />
[[Category:Google]]Google<br />
[[Category:Apprentissage profond]]Apprentissage profond<br />
[[Category:scotty]]
<br />
== Définition ==
== Définition ==
Famille de fonctions de perte pour la classification, conçue pour déterminer la frontière de décision la plus éloignée possible de chaque exemple d'apprentissage, afin de maximiser la marge entre les exemples et la frontière. Les KSVM utilisent la marge maximale (ou une fonction associée, par exemple le carré de la marge maximale). Dans le cas de la classification binaire, la fonction de marge maximale est définie ainsi :
Famille de fonctions de perte pour la [[classification]], conçue pour déterminer la frontière de décision la plus éloignée possible de chaque exemple d'apprentissage, afin de maximiser la marge entre les exemples et la frontière. Les [[machines à vecteurs de support à noyau]] (''KSVM'') utilisent la marge maximale ou une fonction associée, par exemple le carré de la marge maximale.  
 
[[ Fichier:Marge maximale1.jpg ]]
 
Où y' est la sortie brute du modèle du classificateur :
 
[[ Fichier:Marge maximale2.jpg ]]
 
et y est l'étiquette réelle, soit -1, soit +1.
 
== Termes privilégiés ==
=== marge maximale  <small>n.f.</small> ===
 


<br />
== Français ==
'''marge maximale'''


== Anglais ==
== Anglais ==
'''hinge loss'''


===  hinge loss===
==Sources==
[https://developers.google.com/machine-learning/glossary/ Source : Google machine learning glossary ]


<br/>
[[Category:GRAND LEXIQUE FRANÇAIS]]
<br/>
[[Category:Apprentissage profond]]
<br/>
[https://developers.google.com/machine-learning/glossary/  Source: Google machine learning glossary ]
<br/>
<br/>
<br/>

Dernière version du 14 avril 2024 à 19:25

Définition

Famille de fonctions de perte pour la classification, conçue pour déterminer la frontière de décision la plus éloignée possible de chaque exemple d'apprentissage, afin de maximiser la marge entre les exemples et la frontière. Les machines à vecteurs de support à noyau (KSVM) utilisent la marge maximale ou une fonction associée, par exemple le carré de la marge maximale.

Français

marge maximale

Anglais

hinge loss

Sources

Source : Google machine learning glossary