قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Marge epsilon
Zone de tolérance définie autour de l'hyperplan de régression dans laquelle aucune pénalité n'est appliquée aux erreurs de prédiction. Paramètre crucial qui contrôle le compromis entre la complexité du modèle et le nombre d'erreurs tolérées.
Hyperplan de régression
Surface de décision linéaire ou non-linéaire qui représente la meilleure approximation des données d'entraînement selon le critère SVR. Optimisé pour minimiser l'erreur tout en maximisant la marge de tolérance.
Variables de relaxation
Variables introduites pour autoriser les violations de la marge epsilon lorsque les données ne peuvent être parfaitement ajustées. Permettent au modèle de gérer les outliers et le bruit dans les données d'entraînement.
Fonction de perte epsilon-insensible
Fonction de perte spécifique au SVR qui n'applique aucune pénalité aux erreurs inférieures à epsilon, et une pénalité linéaire aux erreurs supérieures. Favorise la parcimonie du modèle en ignorant les petites erreurs.
Optimisation quadratique
Problème d'optimisation mathématique avec une fonction objectif quadratique et des contraintes linéaires, résolu pour entraîner les modèles SVR. Utilise des algorithmes comme SMO (Sequential Minimal Optimization) pour une résolution efficace.
SVR à noyau RBF
Variante de SVR utilisant une fonction de base radiale comme noyau, permettant de capturer des relations non-linéaires complexes entre variables. Particulièrement efficace pour les problèmes où la relation entre entrées et sortie n'est pas connue a priori.
Pipeline SVR
Chaîne de traitement intégrant la normalisation des données, la réduction de dimensionnalité et l'entraînement du modèle SVR. Assure la reproductibilité et évite les fuites d'information entre les étapes d'entraînement et de test.
Validation croisée SVR
Technique d'évaluation robuste pour les modèles SVR impliquant la division des données en k sous-ensembles et l'entraînement/évaluation répétée. Permet de sélectionner les hyperparamètres optimaux et d'estimer la performance généralisation.
SVR pondéré
Extension du SVR standard où différentes observations reçoivent des poids différents dans la fonction de perte. Utile pour traiter des données déséquilibrées ou accorder plus d'importance à certaines régions de l'espace des variables.
Résidus SVR
Différences entre les valeurs prédites par le modèle SVR et les valeurs réelles, utilisées pour diagnostiquer la qualité de l'ajustement. L'analyse des résidus permet d'identifier des motifs systématiques et d'améliorer le modèle.