Séance de cours

Classificateurs voisins les plus près et malédiction de dimensionnalité

Description

Cette séance de cours couvre le concept de classificateurs voisins les plus proches dans l'apprentissage automatique supervisé, en se concentrant sur la prédiction des étiquettes basées sur les points de données les plus proches. Il traite de la fonction des voisins les plus proches, de leur application dans les tâches de régression et de classification, et du compromis entre les variables biaisées. En outre, il explore la malédiction de la dimensionnalité, expliquant comment les données à haute dimension affectent la couverture des ensembles de formation et la distance entre les points de données. La séance de cours se penche également sur les limites de généralisation pour 1-NN, fournissant des preuves et des idées sur les limites d'erreur et les termes géométriques.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace
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.

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.