54 lines
1.1 KiB
TeX
54 lines
1.1 KiB
TeX
|
\section{Principes}
|
||
|
|
|
||
|
|
L’approche \gls{svm} est une méthode supervisée de classification d’éléments
|
||
|
|
utilisant :
|
||
|
|
\begin{enum}
|
||
|
|
\item{un \gls{dataset} d’apprentissage pour entraîner l’algorithme,\\
|
||
|
|
et qui fait donc office de superviseur}
|
||
|
|
\item{un \gls{dataset} de test pour vérifier sa pertinence}
|
||
|
|
\end{enum}
|
||
|
|
|
||
|
|
Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
|
||
|
|
\begin{itmz}
|
||
|
|
\item{classification d’images, quel que soit le \gls{si}}
|
||
|
|
\item{classification de protéines, dans le champ médical}
|
||
|
|
\item{filtrage d’email, courriel légitime ou pourriel (phishing, spam)}
|
||
|
|
\end{itmz}
|
||
|
|
|
||
|
|
En fonction du type de problèmes à résoudre,
|
||
|
|
deux types de résolution sont disponibles :
|
||
|
|
\begin{itmz}
|
||
|
|
\item{régression linéaire}
|
||
|
|
\item{régression non linéaire}
|
||
|
|
\item{classification linéaire}
|
||
|
|
\item{classification non linéaire}
|
||
|
|
\end{itmz}
|
||
|
|
|
||
|
|
\subsection{Régression}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\subsubsection{Régression linéaire}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\subsubsection{Régression non linéaire}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\subsection{Classification}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\subsubsection{Classification linéaire}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\subsubsection{Classification non linéaire}
|
||
|
|
|
||
|
|
…
|
||
|
|
|
||
|
|
\cite{csd}
|
||
|
|
|
||
|
|
\pagebreak
|