This commit is contained in:
Marc Beninca 2020-08-13 01:27:54 +02:00
parent 17052b96ba
commit 6ee4befc0c

View file

@ -24,7 +24,7 @@ Cette approche se révèle appropriée dans de nombreux cas d’utilisation :
En fonction du type de problèmes, deux types de résolution :
\begin{itmz}
\item{\textbf{régression}}
\item{\textbf{classification} (la plus courante)}
\item{\textbf{classification}}
\end{itmz}
En fonction des \glspl{ds}, deux types d’approches mathématiques :
@ -59,15 +59,17 @@ Régression la plus simple : une approximation affine est suffisante.
\subsubsection{Régression non linéaire}
Régression nécessitant l’utilisation d’une fonction noyau.
Une grande valeur de C intègre des données plus éloignées.
Régression nécessitant l’utilisation d’une fonction noyau.\\
Une plus grande valeur de C intègre des données plus éloignées.
\bifig{}{Régression polynominale de degré 2, variation de C \cite{homl-nonlinear}}
{15em}{regression_nonlinear_left}{regression_nonlinear_right}
\pagebreak
\subsection{Classification}
Il s’agit du type de résolution le plus fréquemment utilisé.
\subsubsection{Classification linéaire}
@ -123,6 +125,7 @@ Une grande valeur de C intègre des données plus éloignées.
Référence multi-classes \cite{multi-class}
Référence optimisation \cite{mri} \cite{optimization}
\pagebreak