travaux

cnam/probatoire/document/critics.tex

@@ -0,0 +1,132 @@
+\section{Critiques}
+
+
+\subsection{Avantages}
+
+
+\begin{itmz}
+
+\item{le modèle \gls{svm} est considéré comme plutôt stable, car\\
+de petits changements dans les données impactent peu les \glspl{hpp}}
+
+\end{itmz}\begin{itmz}
+
+\item{ce même modèle peut être utilisé à la fois pour\\
+résoudre des problèmes de régression et de classification}
+
+\end{itmz}\begin{itmz}
+
+\item{est souvent une meilleure alternative aux réseaux de neurones,\\
+surtout dans le cas de \glspl{ds} de taille réduite}
+
+\end{itmz}\begin{itmz}
+
+\item{très précis avec une marge de séparation nette}
+
+\end{itmz}\begin{itmz}
+
+\item{peut capturer des relations complexes dans des \glspl{ds},\\
+même sans connaissance préalable de ces dernières}
+
+\end{itmz}\begin{itmz}
+
+\item{fonctionne avec un grand nombres d’espaces dimensionnels}
+
+\end{itmz}\begin{itmz}
+
+\item{reste pertinent même avec plus de dimensions que d’éléments}
+
+\end{itmz}\begin{itmz}
+
+\item{capacité de régularisation pour rester générique,\\
+afin d’éviter les risques de surentraînement}
+
+\end{itmz}\begin{itmz}
+
+\item{économise la mémoire nécessaire aux fonctions de décision,\\
+en ne leur faisant traiter que des \glspl{sv}}
+
+\end{itmz}\begin{itmz}
+
+\item{permet de gérer efficacement des séparations non linéaires,\\
+par l’intermédiaire de différentes \glspl{kf}}
+
+\end{itmz}\begin{itmz}
+
+\item{de nombreuses \glspl{kf} existent pour les fonctions de décision}
+
+\end{itmz}\begin{itmz}
+
+\item{il est possible de combiner plusieurs \glspl{kf},\\
+pour pouvoir travailler avec des \glspl{hpp} plus complexes}
+
+\end{itmz}\begin{itmz}
+
+\item{pendant longtemps considéré inadapté aux très grands \glspl{ds},\\
+de nouveaux algorithmes ont été mis à contribution depuis \cite{large-scale}}
+
+\end{itmz}
+
+
+\subsection{Inconvénients}
+
+
+\begin{itmz}
+
+\item{le choix d’une \gls{kf} appropriée n’est pas évident,\\
+et peut facilement mener à un trop grand nombre de \glspl{sv}}
+
+\end{itmz}\begin{itmz}
+
+\item{la mémoire nécessaire augmente avec le nombre de \glspl{sv},\\
+car ces derniers doivent y être intégralement stockés}
+
+\end{itmz}\begin{itmz}
+
+\item{difficile d’identifier les bonnes valeurs de paramètres,\\
+sans passer par des techniques comme \gls{gs}}
+
+\end{itmz}\begin{itmz}
+
+\item{le temps d’entraînement augmente avec le nombre d’éléments}
+
+\end{itmz}\begin{itmz}
+
+\item{les calculs de probabilité de justesse sont très coûteux,\\
+nécessitant une validation croisée en plusieurs étapes}
+
+\end{itmz}\begin{itmz}
+
+\item{les modèles sont difficilement interprétables par des humains,\\
+contrairement par exemple aux arbres de décisions}
+
+\end{itmz}\begin{itmz}
+
+\item{effet boîte noire en cas de compréhension insuffisante\\
+des différents outils mathématiques sous-jacents}
+
+\end{itmz}
+
+
+\subsection{Limitations}
+
+
+\begin{itmz}
+
+\item{fonctionne mal quand des classes se recouvrent, car\\
+plusieurs paramètres varient, contrairement à d’autres méthodes}
+
+\end{itmz}\begin{itmz}
+
+\item{une normalisation préalable des données est nécessaire,\\
+pour que les fonctions objectifs soient plus pertinentes}
+
+\end{itmz}\begin{itmz}
+
+\item{les problèmes multi-classes sont encore\\
+un champ de recherche à part entière}
+
+\end{itmz}
+
+
+\pagebreak