beninca.link/cnam.marc
beninca.link/cnam.marc
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

fixes

Browse source
This commit is contained in:
Marc Beninca 2020-08-14 00:07:28 +02:00
parent 79933282a9
commit 8f4f6193f4
1 changed files with 14 additions and 6 deletions
Download patch file Download diff file Expand all files Collapse all files

20
cnam/travaux/probatoire/document/principles.tex
View file

@ -35,8 +35,8 @@ En fonction des \glspl{ds}, deux types d’approches mathématiques :
Quatre paramètres permettent d’affiner le modèle : Quatre paramètres permettent d’affiner le modèle :
\begin{itmz} \begin{itmz}
\item{\textbf{noyau} : linéaire, \gls{rbf}, polynominal ou \gls{sigmoid}} \item{\textbf{noyau} : linéaire, \gls{rbf}, polynomial ou \gls{sigmoid}}
\item{\textbf{degré} : aide à trouver un \gls{hpp} séparateur en contexte polynominal, \item{\textbf{degré} : aide à trouver un \gls{hpp} séparateur en contexte polynomial,
faisant rapidement augmenter le temps nécessaire à l’entraînement} faisant rapidement augmenter le temps nécessaire à l’entraînement}
\item{\textbf{gamma} : pour les \glspl{hpp} non linéaires} \item{\textbf{gamma} : pour les \glspl{hpp} non linéaires}
\item{\textbf{C} : pénalité augmentant la distance des données prises en compte,\\ \item{\textbf{C} : pénalité augmentant la distance des données prises en compte,\\
@ -63,7 +63,7 @@ Régression la plus simple : une approximation affine est suffisante.
Régression nécessitant l’utilisation d’une fonction noyau.\\ Régression nécessitant l’utilisation d’une fonction noyau.\\
Une plus grande valeur de C intègre des données plus éloignées. Une plus grande valeur de C intègre des données plus éloignées.
\bifig{}{Régression polynominale de degré 2, variation de C \cite{homl-nonlinear}} \bifig{}{Régression polynomiale de degré 2, variation de C \cite{homl-nonlinear}}
{15em}{regression_nonlinear_left}{regression_nonlinear_right} {15em}{regression_nonlinear_left}{regression_nonlinear_right}
\pagebreak \pagebreak
@ -139,23 +139,31 @@ et donc en précision.
… …
\bifig{}{Séparabilité linéaire \cite{homl-nonlinear-linear}} \bifig{}{Séparabilité linéaire \cite{homl-nonlinear-linear}}
{14em}{nonlinear_linear_left}{nonlinear_linear_right} {14.5em}{nonlinear_linear_left}{nonlinear_linear_right}
… …
\fig{}{ \cite{homl-feat-poly}} \fig{}{ \cite{homl-feat-poly}}
{9em}{features_polynomial} {14em}{features_polynomial}
\pagebreak
\textbf{Noyau polynomial}
… …
\bifig{}{\Gls{kf} polynominale \cite{homl-poly}} \bifig{}{\Gls{kf} polynomiale \cite{homl-poly}}
{14em}{kernel_polynomial_left}{kernel_polynomial_right} {14em}{kernel_polynomial_left}{kernel_polynomial_right}
\textbf{Similarité}
… …
\bifig{}{ \cite{homl-feat-simi}} \bifig{}{ \cite{homl-feat-simi}}
{14em}{features_similar_left}{features_similar_right} {14em}{features_similar_left}{features_similar_right}
\textbf{Noyau gaussien \gls{rbf}}
… …
\bifig{}{\Gls{kf} gaussien \gls{rbf} \cite{homl-rbf}} \bifig{}{\Gls{kf} gaussien \gls{rbf} \cite{homl-rbf}}