« Surapprentissage » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 3 : | Ligne 3 : | ||
==Compléments== | ==Compléments== | ||
De par sa trop grande capacité à stocker des informations, un modèle dans une situation de surapprentissage aura de la peine à '''[[Généralisation|généraliser]]''' les '''[[Attributs|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. | 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 '''[[Attributs|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== | ||
Version du 20 mars 2025 à 04:20
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
Contributeurs: Arianne , Evan Brach, Claude Coulombe, Jacques Barolet, wiki, Robert Meloche
