Séance de cours

Modélisation statistique

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours porte sur des exercices liés à la modélisation statistique, axés sur des sujets tels que les données d'entrée de Gibbs Ising, l'élagage dans GCM, l'équité dans la classification multiclasses, la mesure de compatibilité avec l'arrière et la simplification des modèles enseignants-étudiants. Les diapositives traitent également de diverses notes, réunions, séminaires et corrections des semaines précédentes.

Source officielle

Concepts associés (32)

Classification en classes multiples

In machine learning and statistical classification, multiclass classification or multinomial classification is the problem of classifying instances into one of three or more classes (classifying instances into one of two classes is called binary classification). While many classification algorithms (notably multinomial logistic regression) naturally permit the use of more than two classes, some are by nature binary algorithms; these can, however, be turned into multinomial classifiers by a variety of strategies.

Classement automatique

vignette|La fonction 1-x^2-2exp(-100x^2) (rouge) et les valeurs déplacées par un bruit de 0,1*N(0,1). Le classement automatique ou classification supervisée est la catégorisation algorithmique d'objets. Elle consiste à attribuer une classe ou catégorie à chaque objet (ou individu) à classer, en se fondant sur des données statistiques. Elle fait couramment appel à l'apprentissage automatique et est largement utilisée en reconnaissance de formes. En français, le classement fait référence à l'action de classer donc de « ranger dans une classe ».

Probabilistic classification

In machine learning, a probabilistic classifier is a classifier that is able to predict, given an observation of an input, a probability distribution over a set of classes, rather than only outputting the most likely class that the observation should belong to. Probabilistic classifiers provide classification that can be useful in its own right or when combining classifiers into ensembles. Formally, an "ordinary" classifier is some rule, or function, that assigns to a sample x a class label ŷ: The samples come from some set X (e.

Classification naïve bayésienne

vignette|Exemple de classification naïve bayésienne pour un ensemble de données dont le nombre augmente avec le temps. La classification naïve bayésienne est un type de classification bayésienne probabiliste simple basée sur le théorème de Bayes avec une forte indépendance (dite naïve) des hypothèses. Elle met en œuvre un classifieur bayésien naïf, ou classifieur naïf de Bayes, appartenant à la famille des classifieurs linéaires. Un terme plus approprié pour le modèle probabiliste sous-jacent pourrait être « modèle à caractéristiques statistiquement indépendantes ».

2 (nombre)

2 (deux) est l'entier naturel qui suit 1 et qui précède 3. La plupart des systèmes de numération possèdent un chiffre pour signifier le nombre deux. Deux (chiffre) Le chiffre « deux », symbolisé « 2 », est le chiffre arabe servant notamment à signifier le nombre deux. Le chiffre « 2 » n'est pas le seul utilisé dans le monde ; un certain nombre d'alphabets — particulièrement ceux des langues du sous-continent indien et du sud-est asiatique — utilisent des chiffres différents, même au sein de la numération indo-arabe.

Afficher plus

Séances de cours associées (53)

Classification des baies naïves

Introduit le classificateur Naive Bayes, qui couvre les hypothèses d'indépendance, les probabilités conditionnelles et les applications dans la classification des documents et le diagnostic médical.

Modèles linéaires pour la classification: Partie 3

Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.

Règles de voisinage les plus près: Partie 2

Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.

Dimension de Vapnik-Chervonenkis

Couvre les limites d'apprentissage, les complexités, la fonction de croissance, l'éclatement et la dimension VC dans les classificateurs binaires.

Régression logistique: Partie 1

Introduit la régression logistique pour la classification binaire et explore la classification multiclasse à l'aide des stratégies OvA et OvO.

Afficher plus

Concepts associés (32)

Classification en classes multiples

Classement automatique

Probabilistic classification

Classification naïve bayésienne

2 (nombre)

Afficher plus