Séance de cours

Modèles linéaires pour la classification: Extensions multi-classes

Description

Cette séance de cours poursuit la discussion sur les modèles linéaires de classification, en se concentrant sur les techniques de classification multi-classes. Il commence par un résumé de la classification binaire, mettant laccent sur le concept de limite de décision et les limites de la classification des moindres carrés. L'instructeur explique comment la régression logistique améliore ces limitations en utilisant une fonction logistique pour modéliser les probabilités. La séance de cours passe ensuite à la classification multi-classes, introduisant un codage unique pour les étiquettes de classe et discutant de la façon d'étendre la régression logistique pour gérer plusieurs classes en utilisant la fonction softmax. Le risque empirique est défini en termes de perte d'entropie croisée, et la méthode de descente du gradient est décrite pour optimiser les paramètres du modèle. La séance de cours couvre également les mesures d'évaluation pour les classificateurs multi-classes, y compris les matrices de confusion, la précision, le rappel et les scores F1. Enfin, l'instructeur compare la régression logistique et les machines vectorielles de soutien, en soulignant leurs forces et leurs faiblesses respectives dans divers ensembles de données, et conclut par une discussion sur la nécessité de classificateurs non linéaires pour des distributions de données plus complexes.

Enseignants (2)
commodo pariatur
Consequat nisi pariatur sint aliquip exercitation esse Lorem occaecat ut consequat mollit ullamco. Id incididunt velit amet exercitation cillum labore nostrud reprehenderit. In aliquip anim proident ex elit ex proident labore nostrud.
esse labore consequat ullamco
Excepteur minim non do ad id excepteur fugiat sunt anim ea deserunt enim pariatur. Et enim sint sint amet enim id in incididunt nostrud laboris exercitation. Tempor in ipsum officia Lorem voluptate magna qui esse cupidatat eu anim enim sint. Exercitation sit consectetur reprehenderit fugiat in nostrud sunt sit mollit ut.
Connectez-vous pour voir cette section
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (37)
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.
Modèles linéaires: Bases
Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.
L'essentiel de l'apprentissage supervisé
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Régression logistique : Fondements et applications
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.