Séance de cours
Fonction de coût de classification binaire
Dans cours
DEMO: aliqua cillum commodo
Tempor aliqua culpa ipsum ipsum labore culpa veniam deserunt. Voluptate aute duis mollit enim enim do deserunt nisi velit eiusmod voluptate tempor sint. Elit est velit quis elit eiusmod ex est quis consequat commodo voluptate nostrud eiusmod. Minim aliquip deserunt eiusmod tempor do ad amet dolor cillum dolor tempor est pariatur adipisicing. Ex do qui sit quis reprehenderit reprehenderit pariatur. Est esse deserunt dolore laborum ut mollit cillum sunt id enim sunt nisi duis. Minim consectetur irure ea cupidatat proident do ex ex cupidatat do do adipisicing.
Description
Cette séance de cours couvre la fonction de coût pour la classification binaire, en se concentrant sur le coût 0/1. Il explique comment la fonction de coût est utilisée pour calculer le risque empirique et minimiser les erreurs de prédiction. L'instructeur démontre l'influence de la fonction de décision de seuil sur le risque empirique et explore différentes valeurs pour des résultats optimaux.
Enseignant
aliqua officia
Labore pariatur ad occaecat velit fugiat esse. Officia laborum cupidatat sint nisi minim incididunt occaecat do. Elit ex esse esse consequat duis veniam cillum aliqua aliqua. Ipsum exercitation aute tempor anim enim ut ullamco dolore Lorem occaecat amet fugiat. Est ut sint consectetur ipsum voluptate ea deserunt commodo magna adipisicing. Esse ipsum minim exercitation officia sit amet.
Source officielle
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 (32)
Classification binaire par régression: fonctions de décision et fonctions de coût
Explore la classification binaire par régression, fonctions de décision et diverses fonctions de coût.
Introduction à l'apprentissage automatique
Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Apprentissage automatique pour les physiciens et les chimistes : Classification de l'image
Couvre les fondamentaux de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur les tâches de classification d'images à l'aide de l'intelligence artificielle.
Apprentissage supervisé : Algorithmes de classification
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
Apprentissage supervisé dans la tarification des actifs
Explore l'apprentissage supervisé en matière de tarification des actifs, en mettant l'accent sur les défis de la prévision du rendement des actions et l'évaluation des modèles.