Thuật ngữ AI
Từ điển đầy đủ về Trí tuệ nhân tạo
Kernel SVM
Extension des machines à vecteurs de support utilisant des fonctions noyau pour transformer implicitement les données dans un espace de dimension supérieure afin de résoudre des problèmes de classification non-linéaires.
Kernel Trick
Technique mathématique permettant de calculer les produits scalaires dans un espace de grande dimension sans effectuer explicitement la transformation des données, réduisant ainsi la complexité computationnelle.
Polynomial Kernel
Fonction noyau calculant le produit scalaaire élevé à une puissance d, permettant de capturer les interactions entre caractéristiques et de modéliser des relations polynomiales entre les données.
Sigmoid Kernel
Fonction noyau inspirée des réseaux de neurones, utilisant une fonction tangente hyperbolique pour transformer les données et créer des frontières de décision non-linéaires.
Hyperparamètre Gamma
Paramètre contrôlant la largeur de la fonction noyau RBF, déterminant l'influence d'un seul exemple d'entraînement et affectant la flexibilité de la frontière de décision.
Matrice de Gram
Matrice symétrique contenant tous les produits scalaires entre paires d'échantillons d'entraînement dans l'espace de caractéristiques transformé par le noyau.
Théorème de Mercer
Condition mathématique garantissant qu'une fonction symétrique peut être utilisée comme fonction noyau en vérifiant sa positivité semi-définie dans l'espace de Hilbert.
Largeur de Bande du Noyau
Paramètre déterminant l'échelle spatiale sur laquelle la fonction noyau évalue la similarité entre les points, influençant directement la forme de la frontière de décision.
Multiple Kernel Learning
Approche combinant plusieurs fonctions noyau avec des poids optimisés pour capturer différentes structures de données et améliorer la performance du modèle SVM.
Vecteurs Support
Points d'entraînement situés sur ou près de la frontière de décision qui définissent entièrement le modèle SVM et déterminent la position de l'hyperplan optimal.