Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Marge de classification
Distance entre un échantillon et la frontière de décision la plus proche dans un espace de classification. Cette marge quantifie le degré de certitude du modèle concernant sa prédiction.
Incertitude par marge
Méthode d'évaluation de l'incertitude basée sur la différence entre les probabilités des deux classes les plus probables. Plus cette marge est faible, plus l'échantillon est considéré comme incertain.
Échantillonnage basé sur les marges
Stratégie de sélection active qui privilégie les échantillons ayant les plus petites marges de classification. Cette approche cible les exemples les plus ambigus pour améliorer efficacement le modèle.
Sélection par marge minimale
Technique consistant à choisir les échantillons dont la marge entre les deux classes les plus probables est la plus faible. Ces échantillons sont situés près de la frontière de décision.
Apprentissage actif basé sur les marges
Paradigme d'apprentissage où le modèle sélectionne itérativement les échantillons avec les plus petites marges pour étiquetage. Cette stratégie optimise l'amélioration du modèle avec un budget d'annotation limité.
Marge de confiance
Mesure quantitative indiquant le niveau de confiance du modèle dans sa prédiction, calculée comme la différence entre la probabilité de la classe prédite et celle de la deuxième classe la plus probable.
Distance à la frontière
Mesure géométrique quantifiant l'éloignement d'un échantillon par rapport à la frontière de décision. Les échantillons avec des distances minimales sont prioritaires dans l'apprentissage actif.
Échantillons ambigus
Points de données situés dans des régions de l'espace où le modèle présente une faible confiance entre plusieurs classes. Ces échantillons sont caractérisés par des marges de classification très réduites.
Marge de sécurité
Concept théorique représentant la distance minimale souhaitée entre les échantillons et la frontière de décision. Une marge de sécurité élevée indique une classification plus robuste et généralisable.
Stratégie de marge
Approche d'interrogation active qui utilise la marge de classification comme critère principal pour sélectionner les échantillons à annoter. Cette stratégie est particulièrement efficace pour les modèles probabilistes.
Marge de séparation
Distance mesurée entre les classes adjacentes dans un problème de classification multi-classe. Cette marge détermine la facilité avec laquelle un modèle peut distinguer entre différentes catégories.
Échantillonnage par marge
Processus de sélection d'échantillons basé sur leur position relative à la frontière de décision. Cette méthode favorise les exemples qui améliorent le plus la définition des limites entre classes.
Marge de décision
Valeur numérique représentant le score de décision d'un classificateur pour un échantillon donné. Elle est souvent utilisée pour calculer la confiance du modèle dans sa prédiction.
Marge d'incertitude
Zone de l'espace de caractéristiques où le modèle présente une faible confiance dans ses prédictions. Cette zone est définie par des échantillons ayant des marges de classification inférieures à un seuil prédéfini.
Sélection par frontière
Variante de la stratégie basée sur les marges qui se concentre spécifiquement sur les échantillons situés à proximité immédiate de la frontière de décision. Cette approche cible les points les plus critiques pour améliorer la discrimination.
Marge de prédiction
Différence entre les probabilités de prédiction des deux classes les plus probables pour un échantillon donné. Une marge faible indique une prédiction incertaine nécessitant potentiellement une annotation humaine.
Échantillons limitrophes
Points de données positionnés à la limite entre plusieurs régions de classification dans l'espace des caractéristiques. Ces échantillons sont cruciaux pour définir précisément les frontières de décision du modèle.