This commit is contained in:
Marc Beninca 2020-08-14 02:12:19 +02:00
parent b22c45f3ec
commit cab249c497
3 changed files with 18 additions and 2 deletions

View file

@ -1,4 +1,4 @@
\section{Exemple d’application} \section{Exemple}

View file

@ -35,6 +35,10 @@ name={hyperplan},
plural={hyperplans}, plural={hyperplans},
description={sous-espace en n−1 dimesions d’un espace en n dimensions} description={sous-espace en n−1 dimesions d’un espace en n dimensions}
} }
\newglossaryentry{kt}{
name={kernel trick},
description={astuce du noyau}
}
\newglossaryentry{ml}{ \newglossaryentry{ml}{
name={machine learning}, name={machine learning},
description={apprentissage machine automatique} description={apprentissage machine automatique}

View file

@ -163,7 +163,19 @@ correspondant à la répartition des 2 catégories présentes.
\textbf{Noyau polynomial} \textbf{Noyau polynomial}
Combiner des polynomes de degrés faibles est simple, pratique et
relativement rapide à calculer.
Mais plus les \glspl{ds} seront complexes, plus il faudra composer avec
des polynomes de plus haut degré, générant un grand nombre de variables,
et rendant ainsi le modèle trop lent.
Un outil mathématique appelé \gls{kt} permet de contourner ce problème.
Se basant sur le théorème de Mercer, il permet de remplacer dans un espace
de grande dimension, un produit scalaire par une \gls{kf} facile à calculer.
Ce \gls{kt} simplifie donc les calculs, et permet d’affiner le modèle
en jouant plus efficacement sur les hyperparamètres de ce dernier.
\bifig{}{\Gls{kf} polynomiale \cite{homl-poly}} \bifig{}{\Gls{kf} polynomiale \cite{homl-poly}}
{14em}{kernel_polynomial_left}{kernel_polynomial_right} {14em}{kernel_polynomial_left}{kernel_polynomial_right}