Bias-Variance Echanges dans l'apprentissage automatique

Cette séance de cours explore le compromis Bias-Variance dans l'apprentissage automatique, en mettant l'accent sur la façon dont le risque change avec la complexité de la classe de modèle. Grâce à une petite expérience sur la régression 1D, l'instructeur démontre l'impact de la complexité du modèle sur l'ajustement. La séance de cours se penche sur la décomposition de l'erreur, mettant l'accent sur l'équilibre entre le biais et la variance. En analysant la décomposition des écarts, l'instructeur souligne l'importance de choisir des méthodes qui permettent d'obtenir simultanément un faible biais et une variance. La séance de cours se termine par des discussions sur le bruit en tant que limite inférieure à l'erreur réalisable, les implications du biais et de la variance sur les prédictions du modèle, et le compromis entre la complexité du modèle et l'erreur.

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 (50)

Concepts associés (44)

CS-433: Machine learning

Machine learning methods are becoming increasingly central in many sciences and applications. In this course, fundamental principles and methods of machine learning will be introduced, analyzed and pr

Variance (mathématiques)

vignette|Exemple d'échantillons pour deux populations ayant la même moyenne mais des variances différentes. La population en rouge a une moyenne de 100 et une variance de 100 (écart-type = SD = standard deviation = 10). La population en bleu a une moyenne de 100 et une variance de (écart-type = SD = 50). En statistique et en théorie des probabilités, la variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une variable aléatoire.

Dilemme biais-variance

En statistique et en apprentissage automatique, le dilemme (ou compromis) biais–variance est le problème de minimiser simultanément deux sources d'erreurs qui empêchent les algorithmes d'apprentissage supervisé de généraliser au-delà de leur échantillon d'apprentissage : Le biais est l'erreur provenant d’hypothèses erronées dans l'algorithme d'apprentissage. Un biais élevé peut être lié à un algorithme qui manque de relations pertinentes entre les données en entrée et les sorties prévues (sous-apprentissage).

Croix (christianisme)

vignette|redresse=1|Types de croix chrétiennes. La croix est le principal symbole du christianisme. Considérée de nos jours comme l'image du gibet de la Crucifixion du Christ, elle appartient à une symbolique plus ancienne. C'est à partir du que la croix s'impose comme l'emblème du christianisme : elle est adoptée, selon la tradition, par l'empereur Constantin le Grand au côté du chrisme (☧). Son culte débute à cette époque et après la diffusion de la légende de l'invention de la relique de la « Vraie Croix » par la mère de l'empereur.

Christian cross variants

The Christian cross, with or without a figure of Christ included, is the main religious symbol of Christianity. A cross with a figure of Christ affixed to it is termed a crucifix and the figure is often referred to as the corpus (Latin for "body"). The term Greek cross designates a cross with arms of equal length, as in a plus sign, while the Latin cross designates a cross with an elongated descending arm. Numerous other variants have been developed during the medieval period.

Croix

vignette|150px|Deux types de croix : en haut une croix grecque et en bas une croix de saint André. La croix est un symbole en forme d'intersection, formée de deux lignes ou plus. La « région » est une zone définie par l'intersection (il y a ainsi en général quatre régions). Le terme croix vient du mot latin crux qui a le sens de « gibet », « potence ». Selon le Robert historique de la langue française, « Dès Plaute (254-184 av. J.-C.

Bias-Variance Echanges dans l'apprentissage automatique CS-433: Machine learning

Discuter du compromis entre les variables biaisées dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre la complexité du modèle et l'exactitude des prédictions.

Bias-Variance CS-433: Machine learning

Explore limpact de la complexité du modèle sur la qualité de la prédiction à travers le compromis biais-variance, en mettant laccent sur la nécessité déquilibrer le biais et la variance pour une performance optimale.

Bias-Variance Echanges dans l'apprentissage automatique

Explore le compromis Bias-Variance dans l'apprentissage automatique, soulignant la nécessité d'équilibrer biais et variance pour une performance optimale du modèle.

Échanges de devises

Explore le sous-ajustement, le surajustement et le compromis entre les variables de biais dans les modèles d'apprentissage automatique.

Théorie de la généralisation EE-566: Adaptation and learning

Explore la théorie de la généralisation dans l'apprentissage automatique, en abordant les défis dans les espaces de dimension supérieure et le compromis entre les biais et les variables.