KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Problème d'optimisation quadratique
Formulation mathématique du problème SVM où l'objectif est de minimiser une fonction quadratique sous contraintes linéaires, nécessitant des algorithmes spécialisés pour sa résolution.
Gradient stochastique
Méthode d'optimisation qui met à jour les paramètres du modèle en utilisant un seul échantillon à la fois pour approximer le gradient, permettant une convergence rapide sur de grands ensembles de données.
Fonction noyau (Kernel)
Fonction mathématique permettant de transformer implicitement les données dans un espace de dimension supérieur où elles deviennent linéairement séparables, sans calculer explicitement cette transformation.
Variables de dualité
Multiplicateurs de Lagrange dans la formulation duale du problème SVM qui déterminent l'importance de chaque vecteur de support dans la construction de l'hyperplan de décision.
Conditions KKT (Karush-Kuhn-Tucker)
Conditions nécessaires et suffisantes pour l'optimalité dans les problèmes d'optimisation sous contraintes, utilisées pour vérifier la convergence des algorithmes d'optimisation SVM.
Hyperparamètres SVM
Paramètres non appris par le modèle qui doivent être configurés avant l'entraînement, notamment le paramètre de régularisation C et les paramètres de la fonction noyau.
Méthode des points intérieurs
Algorithme d'optimisation qui résout le problème quadratique SVM en traversant l'intérieur de la région réalisable, offrant une convergence polynomiale garantie pour les problèmes convexes.
Fonction de perte Hinge
Fonction de perte convexe utilisée dans les SVM qui pénalise les classifications incorrectes et celles proches de la frontière de décision, favorisant une marge maximale.
Méthode de Newton
Algorithme d'optimisation de second ordre qui utilise la matrice Hessienne pour trouver plus rapidement le minimum de la fonction objectif SVM, particulièrement efficace pour les problèmes de taille moyenne.
Algorithme de descente de coordonnées
Méthode d'optimisation qui minimise la fonction objectif en optimisant une coordonnée à la fois tout en maintenant les autres fixes, utilisée dans certaines implémentations SVM efficaces.
Décomposition par blocs
Stratégie d'optimisation qui divise le problème SVM en sous-problèmes plus petits traités séquentiellement, réduisant les besoins en mémoire pour les ensembles de données volumineux.