Glosarium AI
Kamus lengkap Kecerdasan Buatan
Platt Scaling
Méthode de calibration des probabilités qui ajuste une fonction sigmoïde aux scores de décision SVM pour transformer les sorties en probabilités bien calibrées. Utilise une régression logistique sur les scores de décision pour estimer les probabilités postérieures des classes.
Isotonic Regression
Technique de régression non-paramétrique qui ajuste une fonction monotone aux données, utilisée pour calibrer les probabilités SVM sans contrainte de forme fonctionnelle. Offre plus de flexibilité que Platt Scaling mais nécessite plus de données pour éviter le surajustement.
SVM Probabiliste
Extension des Machines à Vecteurs de Support qui fournit des estimations de probabilité pour les prédictions de classification plutôt que de simples étiquettes de classe. Combine la robustesse des SVM avec des mesures de confiance probabiliste pour des décisions plus informées.
Calibration de probabilités
Processus d'ajustement des scores de classification bruts pour refléter précisément les probabilités postérieures réelles des classes. Essentiel pour les applications où la confiance des prédictions est aussi importante que leur exactitude.
Score de décision SVM
Valeur numérique brute calculée par un SVM avant la classification finale, représentant la distance de l'échantillon par rapport à l'hyperplan de séparation. Utilisé comme entrée pour les méthodes de calibration probabiliste.
Fonction sigmoïde de calibration
Fonction mathématique en forme de S utilisée dans Platt Scaling pour mapper les scores de décision SVM vers des probabilités entre 0 et 1. Paramétrée par deux coefficients appris lors de la phase de calibration.
Validation croisée pour calibration
Technique d'évaluation qui utilise des données distinctes pour l'entraînement du SVM et la calibration des probabilités afin d'éviter le surajustement. Assure que les probabilités calibrées sont généralisables à de nouvelles données.
Brier Score
Métrique d'évaluation qui mesure la précision des prédictions probabilistes en calculant l'erreur quadratique moyenne entre les probabilités prédites et les résultats réels. Utilisé pour quantifier la qualité de la calibration des probabilités SVM.
Courbe de calibration
Graphique qui compare les probabilités prédites aux fréquences observées pour évaluer visuellement la qualité de la calibration. Une courbe parfaite suit la diagonale, indiquant une calibration idéale.
Régression isotone monotonique
Variante de la régression isotone qui impose une contrainte de monotonie croissante sur la fonction de calibration. Particulièrement efficace lorsque la relation entre scores et probabilités est connue pour être monotone mais non-linéaire.
Distance de marge
Distance perpendiculaire d'un point de données à l'hyperplan de décision SVM, utilisée comme mesure de confiance dans la classification. Les distances plus grandes indiquent généralement des prédictions plus fiables avant calibration.
Hyperplan de séparation probabiliste
Frontière de décision SVM qui, une fois calibrée, associe une probabilité à chaque point de l'espace de caractéristiques plutôt qu'une simple classification binaire. Permet une quantification nuancée de l'incertitude des prédictions.
Fonction noyau probabiliste
Fonction de transformation qui projette les données dans un espace de caractéristiques tout en préservant les informations nécessaires pour une calibration probabiliste ultérieure. Doit maintenir la structure des distances pour une calibration efficace.
Ajustement des paramètres de calibration
Processus d'optimisation des coefficients dans les fonctions de calibration (sigmoïde ou isotone) pour minimiser l'erreur entre probabilités prédites et observées. Utilise des techniques comme la maximisation de la vraisemblance ou la descente de gradient.
Évaluation de la qualité des probabilités
Ensemble de métriques et méthodes pour valider la fiabilité des probabilités SVM calibrées incluant le Brier Score, la courbe de calibration et le test de Hosmer-Lemeshow. Essentiel pour garantir l'utilité pratique des prédictions probabilistes.
Calibration multi-classe SVM
Extension des méthodes de calibration probabiliste aux problèmes avec plus de deux classes, utilisant des stratégies one-vs-rest ou pairwise coupling. Nécessite des approches spécifiques pour maintenir la cohérence des probabilités entre toutes les classes.