« Surapprentissage » : différence entre les versions
Aucun résumé des modifications Balise : Éditeur de wikicode 2017 |
Aucun résumé des modifications |
||
| (19 versions intermédiaires par 5 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Le | Le surapprentissage ou surajustement (''overfitting '' en anglais) est un problème pouvant survenir avec les '''[[Algorithme d'apprentissage|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== | ||
''' surapprentissage | '''surapprentissage''' | ||
''' surajustement ''' | '''surajustement''' | ||
''' surinterprétation | '''surinterprétation''' | ||
==Anglais== | ==Anglais== | ||
''' | '''overfitting''' | ||
''' overlearning | '''overlearning''' | ||
''' | '''overtraining''' | ||
The overfitting is a problem that can arise in mathematical classification methods for neural networks. It is generally caused by incorrectly dimensioning the structure used to classify. Because of its excessive capacity to store information, a structure in an overlearning situation will have difficulty generalizing the features of the data. It then behaves like a table containing all the samples used during learning and loses its predictive powers on new samples. | |||
See also: curse of dimensionality | |||
==Español== | |||
[[Catégorie:es]] | |||
''''' 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.'' | |||
[https://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 | ==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://fr.wikipedia.org/w/index.php?title=Surapprentissage&oldid=161071239 Wikipedia - Surapprentissage.] | |||
{{Modèle:101}} | |||
{{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 19 avril 2026 à 20:54
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
The overfitting is a problem that can arise in mathematical classification methods for neural networks. It is generally caused by incorrectly dimensioning the structure used to classify. Because of its excessive capacity to store information, a structure in an overlearning situation will have difficulty generalizing the features of the data. It then behaves like a table containing all the samples used during learning and loses its predictive powers on new samples.
See also: curse of dimensionality
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: JSZ, wiki, Robert Meloche
