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

Version du 5 janvier 2021 à 09:53

en construction

Définition

Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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.

Français

Quantification de l’incertitude

Anglais

Uncertainty Quantification

source:kdnuggets.com

Voir: Random Error Quantification in Machine Learning.

@@ Ligne 4 : / Ligne 4 : @@
 ==Définition==
-Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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.
+Chaque algorithme d'apprentissage automatique a une erreur aléatoire inhérente qui doit être évaluée et quantifiée. 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 aléatoires et il est donc nécessaire d’estimer le degré d’incertitude du modèle.
 ==Français==