Thuật ngữ AI
Từ điển đầy đủ về Trí tuệ nhân tạo
Marge dure
Approche SVM exigeant une séparation parfaite des classes sans aucune tolérance aux erreurs. Cette méthode est sensible aux données aberrantes et peut conduire à un sur-ajustement sur des ensembles de données réels.
Degré du polynomial
Paramètre contrôlant la complexité du kernel polynomial en déterminant l'ordre du polynôme utilisé pour la transformation des données. Des valeurs plus élevées permettent de capturer des relations plus complexes mais augmentent le risque de sur-ajustement.
Coef0
Terme indépendant dans les kernels polynomial et sigmoïde qui contrôle l'influence des termes d'ordre supérieur et inférieur. Ce paramètre ajuste la forme de la fonction de décision et affecte la flexibilité du modèle.
Tolérance
Critère d'arrêt définissant la précision souhaitée pour l'algorithme d'optimisation SVM. Une tolérance plus stricte conduit à une solution plus précise mais augmente le temps de calcul nécessaire à la convergence.
Kernel polynomial
Fonction noyau qui utilise des transformations polynomiales pour mapper les données dans un espace de caractéristiques non linéaire. Ce kernel est particulièrement adapté pour capturer des interactions d'ordre supérieur entre les variables.
Kernel sigmoïde
Fonction noyau basée sur la fonction tangente hyperbolique, équivalente mathématiquement à un réseau de neurones à deux couches. Ce kernel peut modéliser des relations non linéaires mais est sensible aux valeurs de paramètres.
Kernel linéaire
Fonction noyau la plus simple qui effectue aucune transformation des données, travaillant directement dans l'espace d'origine. Ce kernel est efficace pour les données linéairement séparables et offre une rapidité d'entraînement optimale.
Coefficient epsilon
Paramètre dans les SVM de régression définissant la largeur de la zone insensible aux erreurs autour de la fonction de prédiction. Ce paramètre contrôle la tolérance aux résidus et influence la robustesse du modèle de régression.
Cache size
Paramètre technique contrôlant la mémoire allouée pour stocker les calculs de kernel pendant l'entraînement. Une taille de cache plus élevée accélère les calculs pour de grands ensembles de données mais consomme plus de ressources système.
Shrinking
Technique d'optimisation qui élimine progressivement les contraintes non actives du problème d'optimisation SVM. Cette heuristique accélère significativement la convergence sur de grands ensembles de données.
Max iterations
Limite supérieure du nombre d'itérations autorisées pour l'algorithme d'optimisation SVM. Ce paramètre prévient les boucles infinies et contrôle le temps de calcul maximum pour des ensembles de données complexes.