« Surapprentissage » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (9 versions intermédiaires par 3 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir | 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 '''[[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== | ==Français== | ||
| Ligne 17 : | Ligne 18 : | ||
'''overtraining''' | '''overtraining''' | ||
==Español== | |||
''''' sobreajuste ''''' | |||
''El sobreajuste es un problema que puede producirse en los métodos de clasificación matemática de las redes neuronales. Generalmente se debe a un dimensionamiento incorrecto de la estructura utilizada para clasificar. Debido a su excesiva capacidad para almacenar información, un modelo complejo en situación de sobreaprendizaje tendrá dificultades para generalizar los atributos de los datos. El modelo se comporta entonces como una tabla que contiene todos los datos utilizados durante el entrenamiento y pierde su capacidad de predicción sobre nuevas muestras. Se suele decir que el modelo aprende de memoria.'' | |||
==Sources== | ==Sources== | ||
[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=surapprentissage+&index=alt&codom2nd_wet=1#resultrecs | [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/ | [https://developers.google.com/machine-learning/glossary/ Google, ''Machine learning glossary''] | ||
[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 | [https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.] | ||
{{Modèle:101}} | |||
{{Modèle:GDT}} | {{Modèle:GDT}} | ||
[[Catégorie:GDT]] | [[Catégorie:GDT]] | ||
[[Category:intelligence artificielle]] | [[Category:intelligence artificielle]] | ||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Catégorie:101]] | |||
Dernière version du 23 juillet 2025 à 10:58
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
Español
sobreajuste
El sobreajuste es un problema que puede producirse en los métodos de clasificación matemática de las redes neuronales. Generalmente se debe a un dimensionamiento incorrecto de la estructura utilizada para clasificar. Debido a su excesiva capacidad para almacenar información, un modelo complejo en situación de sobreaprendizaje tendrá dificultades para generalizar los atributos de los datos. El modelo se comporta entonces como una tabla que contiene todos los datos utilizados durante el entrenamiento y pierde su capacidad de predicción sobre nuevas muestras. Se suele decir que el modelo aprende de memoria.
Sources
Google, Machine learning glossary
101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »
Contributeurs: Arianne Arel, Evan Brach, Claude Coulombe, Jacques Barolet, Espanol: Jean-Sébastien Zavalone, wiki, Robert Meloche
