« Perte quadratique » : différence entre les versions
m (Remplacement de texte — « <small> loc. nom. fém. </small> » par « <small> féminin </small> ») |
Aucun résumé des modifications |
||
| (3 versions intermédiaires par 2 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
== Définition == | == Définition == | ||
Fonction de perte utilisée dans la régression linéaire, également appelée '''perte L2'''. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un modèle pour un exemple étiqueté et la valeur réelle de l'étiquette. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la '''perte L1'''. | [[Fonction de perte]] utilisée dans la [[régression linéaire]], également appelée '''perte L2'''. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un [[modèle]] pour un exemple étiqueté et la valeur réelle de l'[[étiquette]]. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la '''perte L1'''. | ||
== Français == | == Français == | ||
''' perte quadratique | '''perte quadratique''' | ||
'''perte L2 ''' | '''perte L2''' | ||
== Anglais == | == Anglais == | ||
''' | '''squared loss''' | ||
'''L2 loss''' | '''L2 loss''' | ||
==Sources== | |||
[https://developers.google.com/machine-learning/glossary/ Source : Google machine learning glossary ] | |||
[https://developers.google.com/machine-learning/glossary/ Source: Google machine learning glossary ] | |||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Category:Apprentissage profond]] | [[Category:Apprentissage profond]] | ||
Dernière version du 16 avril 2024 à 19:17
Définition
Fonction de perte utilisée dans la régression linéaire, également appelée perte L2. Cette fonction calcule les carrés de la différence entre la valeur prédite d'un modèle pour un exemple étiqueté et la valeur réelle de l'étiquette. En raison de la mise au carré, cette fonction de perte amplifie l'influence des mauvaises prédictions. En d'autres termes, la perte quadratique réagit plus fortement aux anomalies que la perte L1.
Français
perte quadratique
perte L2
Anglais
squared loss
L2 loss
Sources
Contributeurs: Claire Gorjux, Jacques Barolet, wiki
