« Quantification de l’incertitude » : différence entre les versions

Dernière version du 28 janvier 2024 à 12:35

Définition

Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R² sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.

Français

Quantification de l’incertitude

Anglais

Uncertainty Quantification

Sources

source:kdnuggets.com

Voir: Random Error Quantification in Machine Learning.

@@ Ligne 1 : / Ligne 1 : @@
-==en construction==
 ==Définition==
-Il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R2 sont des variables aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle. Pour un exemple de quantification de l’incertitude, voir cet article : Quantification des erreurs aléatoires dans l’apprentissage automatique.
+Chaque algorithme d’apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. Pour cela, il est important de construire des modèles d’apprentissage machine qui donneront des estimations impartiales des incertitudes dans les résultats calculés. En raison du caractère aléatoire inhérent à l’ensemble de données et au modèle, les paramètres d’évaluation tels que le score R<sup>2</sup> sont des variables, aussi est-il nécessaire d’estimer le degré d’incertitude du modèle.
 ==Français==
@@ Ligne 13 : / Ligne 8 : @@
 '''Uncertainty Quantification'''
-It is important to build machine learning models that will yield unbiased estimates of uncertainties in calculated outcomes. Due to the inherent randomness in the dataset and model, evaluation parameters such as the R2 score are random variables, and thus it is important to estimate the degree of uncertainty in the model. For an example of uncertainty quantification, see this article: Random Error Quantification in Machine Learning.
+==Sources==
+[https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ]
+[https://medium.com/towards-artificial-intelligence/random-error-quantification-in-machine-learning-846f6e78e519 Voir: Random Error Quantification in Machine Learning.]
-<small>
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-[https://www.kdnuggets.com/2020/12/20-core-data-science-concepts-beginners.html source:kdnuggets.com ]
-[[Catégorie:Vocabulaire]]
-[[Catégorie:Vocabulary]]
-[[Catégorie:sihem]]