« Surapprentissage » : différence entre les versions

Dernière version du 3 avril 2025 à 10:08

Définition

Le surapprentissage ou surajustement (overfitting en anglais) est un problème pouvant survenir avec les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.

Compléments

De par sa trop grande capacité à stocker des informations, un modèle complexe dans une situation de surapprentissage aura de la peine à généraliser les attributs des données. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.

Français

surapprentissage

surajustement

surinterprétation

Anglais

overfitting

overlearning

overtraining

Sources

TERMIUM Plus

Google, Machine learning glossary

Wikipedia - Surapprentissage.

@@ Ligne 1 : / Ligne 1 : @@
 ==Définition==
-Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir dans les méthodes mathématiques de classification pour les '''[[Réseau de neurones artificiels|réseaux de neurones]]'''. Il est, en général, provoqué par un mauvais dimensionnement de la structure utilisée pour classifier. De par sa trop grande capacité à stocker des informations, une structure dans une situation de surapprentissage aura de la peine à '''[[Généralisation|généraliser]]''' les '''[[Caractéristique|caractéristiques]]''' des '''[[données]]'''. Elle se comporte alors comme une table contenant tous les échantillons utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons.
+Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir avec les algorithmes d'apprentissage. Il est, en général, provoqué par un mauvais choix de modèle, typiquement un modèle trop complexe.
-Voir aussi '''[[Fléau de la haute dimension|fléau de la dimension]]'''
+==Compléments==
+De par sa trop grande capacité à stocker des informations, un modèle complexe dans une situation de surapprentissage aura de la peine à '''[[Généralisation|généraliser]]''' les '''[[Attribut|attributs]]''' des '''[[données]]'''. Le modèle se comporte alors comme une table contenant tous les données utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons. Communément, on dira que le modèle apprend par cœur.
 ==Français==
@@ Ligne 19 : / Ligne 20 : @@
 ==Sources==
-[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=surapprentissage+&index=alt&codom2nd_wet=1#resultrecs  Source : TERMIUM Plus]
+[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=surapprentissage+&index=alt&codom2nd_wet=1#resultrecs TERMIUM Plus]
-[https://developers.google.com/machine-learning/glossary/  Source : Google, ''Machine learning glossary'']
+[https://developers.google.com/machine-learning/glossary/  Google, ''Machine learning glossary'']
-[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239  Source : Wikipedia, Surapprentissage.]
+[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.]
 {{Modèle:GDT}}

« Surapprentissage » : différence entre les versions