« Surapprentissage » : différence entre les versions

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

TERMIUM Plus

Google, Machine learning glossary

Wikipedia - Surapprentissage.

101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »

@@ Ligne 1 : / Ligne 1 : @@
-[[Category:intelligence artificielle]]
-<!--GDT-->
-[[Category:GRAND LEXIQUE FRANÇAIS]]
-[[Catégorie:Termium]]
 ==Définition==
-Le '''surapprentissage''' ou '''sur-ajustement''' (en anglais « overfitting ») est un problème pouvant survenir dans les méthodes mathématiques et informatiques de classification comme les 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 généraliser les 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.
+==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==
-'''  surapprentissage   n. m.'''
+'''surapprentissage'''
+'''surajustement'''
-''' surajustement   n. m.'''
+'''surinterprétation'''
-''' surinterprétation n.m. '''
 ==Anglais==
-'''  overfitting   '''
+'''overfitting'''
-''' overlearning  '''
+'''overlearning'''
-'''  overtraining '''
+'''overtraining'''
+==Español==
-<small>
+''''' 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==
+[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/  Google, ''Machine learning glossary'']
-[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://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.]
-[https://developers.google.com/machine-learning/glossary/ Source: Google, ''Machine learning glossary'']
+{{Modèle:101}}
+{{Modèle:GDT}}
+[[Catégorie:GDT]]
+[[Category:intelligence artificielle]]
+[[Category:GRAND LEXIQUE FRANÇAIS]]
+[[Catégorie:101]]

« Surapprentissage » : différence entre les versions