« Modèle linéaire généralisé » : différence entre les versions

Dernière version du 20 avril 2024 à 12:45

Définition

Généralisation des modèles de régression des moindres carrés, qui sont basés sur le bruit gaussien, à d'autres types de modèles basés sur d'autres types de bruit, par exemple le bruit de grenaille ou le bruit catégorique. Exemples de modèles linéaires généralisés :

Régression logistique
Régression à classes multiples
Régression des moindres carrés

La puissance d'un modèle linéaire généralisé est limitée par les caractéristiques de celui-ci. Contrairement à un modèle profond, un modèle généralisé ne peut pas « apprendre de nouvelles caractéristiques ».

Français

modèle linéaire généralisé

Anglais

generalized linear model

Sources

Source : Google machine learning glossary

@@ Ligne 1 : / Ligne 1 : @@
-__NOTOC__
-== Domaine ==
-[[Category:Vocabulaire]]Vocabulaire<br />
-[[Category:Google]]Google<br />
-[[Category:Apprentissage profond]]Apprentissage profond<br />
-[[Category:scotty]]
-<br />
 == Définition ==
 Généralisation des modèles de régression des moindres carrés, qui sont basés sur le bruit gaussien, à d'autres types de modèles basés sur d'autres types de bruit, par exemple le bruit de grenaille ou le bruit catégorique. Exemples de modèles linéaires généralisés :
+*    [[Régression logistique]]
-*    Régression logistique
 *    Régression à classes multiples
 *    Régression des moindres carrés
-Les paramètres d'un modèle linéaire généralisé peuvent être déterminés via une optimisation convexe.
+La puissance d'un modèle linéaire généralisé est limitée par les caractéristiques de celui-ci. Contrairement à un [[modèle profond]], un modèle généralisé ne peut pas « apprendre de nouvelles caractéristiques ».
-Les modèles linéaires généralisés présentent les propriétés suivantes :
-*   La prédiction moyenne du modèle de régression des moindres carrés optimal est égale à l'étiquette moyenne des données d'apprentissage.
-*   La probabilité moyenne prédite par le modèle de régression logistique optimal est égale à l'étiquette moyenne des données d'apprentissage.
-La puissance d'un modèle linéaire généralisé est limitée par les caractéristiques de celui-ci. Contrairement à un modèle profond, un modèle généralisé ne peut pas "apprendre de nouvelles caractéristiques".
-<br />
-== Termes privilégiés ==
-=== modèle linéaire généralisé  n.m.===
-<br />
+== Français ==
+'''modèle linéaire généralisé'''
 == Anglais ==
+'''generalized linear model'''
-===  generalized linear model===
+==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/>