Modèles linéaires pour la classification: Régression logistique et SVM

Cette séance de cours se concentre sur les modèles linéaires pour la classification, la transition à partir de concepts de régression. Il commence par un résumé de la régression linéaire, introduisant la fonction de perte et le risque empirique. L'instructeur explique comment appliquer des modèles linéaires aux tâches de classification, en particulier par régression logistique. La fonction logistique est introduite comme un moyen de convertir des sorties continues en étiquettes discrètes, répondant aux limites des moindres carrés pour la classification. Le concept de limite de décision est discuté, illustrant comment il change avec de nouveaux points de données. La séance de cours couvre également l'approche de la machine à vecteurs de support (SVM), en mettant l'accent sur la maximisation de la marge et le rôle des vecteurs de support dans la détermination de la limite de décision. Les différences entre la régression logistique et la MVS sont mises en évidence, en particulier dans leurs fonctions de perte et leur sensibilité aux valeurs aberrantes. La session se termine par une discussion sur les implications pratiques de ces modèles dans l'apprentissage automatique, renforçant l'importance de comprendre les fonctions de perte et les limites de décision dans les tâches de classification.