« Séparateur à vaste marge » : différence entre les versions

Version du 31 mai 2019 à 09:44

Domaine

Intelligence artificielle
Apprentissage automatique
[Category:Coulombe]]

Définition

Les séparateurs à vaste marge (SVM) sont un ensemble d'algorithmes d'apprentissage supervisé destinées à résoudre des problèmes de classification et de régression. Les SVM sont une généralisation des classificateurs linéaires.

Les séparateurs à vaste marge ont été développés dans les années 1990 à partir des considérations théoriques de Vladimir Vapnik sur le développement d'une théorie statistique de l'apprentissage : la théorie de Vapnik-Chervonenkis. Ils ont rapidement été adoptés pour leur capacité à travailler avec des données de grandes dimensions, le faible nombre d'hyperparamètres, leurs garanties théoriques, et leurs bons résultats en pratique.

Les SVM ont été appliqués à de très nombreux domaines (bio-informatique, recherche d'information, vision par ordinateur, finance1…). Selon les données, la performance des machines à vecteurs de support peut être du même ordre, ou même supérieure, à celle d'un réseau de neurones ou d'un modèle de mélanges gaussiens.

Français

séparateur à vaste marge

classificateur à vaste marge

Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.
On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique.

Anglais

support vector machine

Source : opendatascience.com

Source : Wikipedia

@@ Ligne 1 : / Ligne 1 : @@
 ==Domaine==
-[[Category:Vocabulary]]
+[[Category:Vocabulary2]]
-<br />
 [[Category:Intelligence artificielle]]
 Intelligence artificielle<br />
 [[Catégorie:Apprentissage automatique]]
 Apprentissage automatique<br />
-[Category:Coulombe]]Coulombe<br />
+[Category:Coulombe]]<br />
 [[Catégorie:Scotty]]
-<br />
-<br />
 ==Définition==
@@ Ligne 19 : / Ligne 17 : @@
 Les SVM ont été appliqués à de très nombreux domaines (bio-informatique, recherche d'information, vision par ordinateur, finance1…). Selon les données, la performance des machines à vecteurs de support peut être du même ordre, ou même supérieure, à celle d'un réseau de neurones ou d'un modèle de mélanges gaussiens.
-Source:
-https://fr.wikipedia.org/wiki/Machine_%C3%A0_vecteurs_de_support
+==Français==
-<br />
+'''séparateur à vaste marge '''
+'''classificateur à vaste marge'''
-==Français==
+''Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.''<br />
-<poll>
+''On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique.''
-Choisissez parmi ces termes proposés :
-séparateur à vaste marge
-machine à vecteurs de support
-classificateur à vaste marge
-</poll>
-<h3>Discussion:</h3>
-Pour le moment, le terme privilégié est «séparateur à vaste marge».
-Le terme séparateur à vaste marge a l'avantage de conserver l'acronyme SVM tout en décrivant bien le concept sous-jacent.<br />
-On dit «à vaste marge» et non «à vastes marges» car il y a une marge unique.
-<br />
 ==Anglais==
-===support vector machine===
+'''support vector machine'''
-Support vector machines are very powerful algorithms built on an extremely simple premise. Pick the two examples of your different classes that are closest to each other. In practice, this is typically done by finding the Euclidean distance between every training example. These two examples are your support vectors.
-Draw a line through the space between the support vectors. This is your hyperplane.
-Wiggle the hyperplane around until it maximizes the total distance between the plane and each support vector. This is your cushion.
+[https://opendatascience.com/machine-learning-for-beginners/   Source : opendatascience.com ]
-https://opendatascience.com/machine-learning-for-beginners/
+[https://fr.wikipedia.org/wiki/Machine_%C3%A0_vecteurs_de_support    Source : Wikipedia ]
-<br />
-<br />