4 relations: Régularisation (mathématiques), Réseau de neurones artificiels, Surapprentissage, Variance (mathématiques).
Régularisation (mathématiques)
Les courbes bleues et vertes correspondent à deux modèles differents, tous les deux étant des solutions possibles du problème consistant à décrire les coordonnées de tous les points rouges. L'application d'une régularisation favorise le modèle moins complexe correspondant à la courbe verte. Dans le domaine des mathématiques et des statistiques, et plus particulièrement dans le domaine de l'apprentissage automatique, la régularisation fait référence à un processus consistant à ajouter de l'information à un problème, s'il est mal posé ou pour éviter le surapprentissage.
Nouveau!!: Weight decay et Régularisation (mathématiques) · Voir plus »
Réseau de neurones artificiels
Un réseau de neurones artificiels.
Nouveau!!: Weight decay et Réseau de neurones artificiels · Voir plus »
Surapprentissage
La ligne verte représente un '''modèle surappris''' et la ligne noire représente un modèle régulier. La ligne verte classifie trop parfaitement les données d'entrainement, elle généralise mal et donnera de mauvaises prévisions futures avec de nouvelles données. Le modèle vert est donc finalement moins bon que le noir. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données.
Nouveau!!: Weight decay et Surapprentissage · Voir plus »
Variance (mathématiques)
Exemple d'échantillons pour deux populations ayant la même moyenne mais des variances différentes. La population en rouge a une moyenne de 100 et une variance de 100 (écart-type.
Nouveau!!: Weight decay et Variance (mathématiques) · Voir plus »