Karteikarten: Introduction aux méthodes d'apprentissage supervisé — 16 Karten

Apprentissage supervisé — définition ?

Modèle entraîné sur données étiquetées.

Classification — rôle ?

Prédire une catégorie ou classe.

Régression — rôle ?

Prédire une valeur continue.

Séparation linéaire — principe ?

Diviser classes par un hyperplan.

Modèles ensemblistes — principe ?

Combiner plusieurs modèles pour meilleure performance.

Choix de méthode — critères ?

Nature, quantité, propriétés des données.

Validation croisée — but ?

Évaluer la performance et éviter le surapprentissage.

Scikit-learn — utilité ?

Implémenter rapidement modèles supervisés.

KNN — principe ?

Vote majoritaire des K voisins proches.

Arbres de décision — rôle ?

Segmenter par tests successifs sur variables.

SVM — principe ?

Maximiser la marge entre classes.

Réseaux de neurones — avantage ?

Modéliser relations complexes non linéaires.

Régression linéaire — analyse préalable ?

Calcul du coefficient de Pearson.

Régression polynomiale — usage ?

Modéliser relations non linéaires.

Support Vector Machines — date ?

Vapnik, 1995.

Validation croisée — avantage ?

Performance fiable, prévention du surapprentissage.