Article précédent
Analyse des données ou statistique exploratoire multidimensionnelleArticle de référence | Réf : TE5255 v1
Auteur(s) : Stéphane CANU
Date de publication : 10 févr. 2007
Article suivant
Apprentissage Statistique SuperviséCet article fait partie de l’offre
Technologies logicielles Architectures des systèmes (218 articles en ce moment)
Cette offre vous donne accès à :
Une base complète et actualisée d'articles validés par des comités scientifiques
Un service Questions aux experts et des outils pratiques
Des Quiz interactifs pour valider la compréhension et ancrer les connaissances
Quitter la lecture facile
Le bon usage des noyaux est lié à une technique de représentation qui permet de passer d’une formulation initiale « fonctionnelle » (où l’espace des hypothèses est un ensemble de fonctions de type
) à une seconde formulation, vectorielle cette fois, faisant apparaître, pour chaque exemple, un coefficient représentant l’influence de ce point dans la solution. Pour illustrer ce principe, nous allons traiter l’exemple des splines d’interpolation.
Dans le cadre des splines d’interpolation, on cherche dans un EHNR
de noyau k la fonction de norme minimale interpolant un ensemble d’observations (xi, yi)i = 1, n. Le problème se formalise ainsi :
Pour résoudre ce problème, on recherche les points selles du lagrangien L associé qui dépend des multiplicateurs de Lagrange αi, i = 1, ..., n :
À l’optimum, la dérivée directionnelle du lagrangien par rapport à f s’annule, ce qui nous donne :
car de par la propriété de reproduction, on a
. À l’optimum, la solution s’écrit comme une combinaison linéaire des fonctions noyaux évaluées aux points...
Vous êtes abonné à cette offre ?
Connectez-vous !
Vous souhaitez découvrir cette offre ?
Cet article est inclus dans l'offre :
TECHNOLOGIES LOGICIELLES ARCHITECTURES DES SYSTÈMES
(1) - VAPNIK (V.) - Statistical Learning Theory - . Wiley, 1998.
(2) - HASTIE (T.), TIBSHIRANI (R.), FRIEDMAN (J.) - The elements of statistical learning - . Data Mining, inference and predictions, Springer, 2001.
(3) - HERBRICH (R.) - Learning Kernel Classifiers - . The MIT Press, 2002.
(4) - SCHOELKOPF (B.), SMOLA (A.J.) - Learning with Kernels - . The MIT Press, 2002.
(5) - SHAWE-TAYLOR (J.), CRISTIANIN (N.) - Kernel Methods for Pattern Analysis - . Cambridge Univ. Press, 2004.
(6) - * - Trois sites de référence : http://www.kernel-machines.org, http://jmlr.csail.mit.edu, http://www.nips.cc.
(7)...
DÉTAIL DE L'ABONNEMENT :
TOUS LES ARTICLES DE VOTRE RESSOURCE DOCUMENTAIRE
Accès aux :
Articles et leurs mises à jour
Nouveautés
Archives
Articles interactifs
Formats :
HTML illimité
Versions PDF
Site responsive (mobile)
Info parution :
Toutes les nouveautés de vos ressources documentaires par email
DES ARTICLES INTERACTIFS
Articles enrichis de quiz :
Expérience de lecture améliorée
Quiz attractifs, stimulants et variés
Compréhension et ancrage mémoriel assurés
DES SERVICES ET OUTILS PRATIQUES
Votre site est 100% responsive, compatible PC, mobiles et tablettes.
FORMULES
| Formule monoposte | Autres formules | |
|---|---|---|
| Ressources documentaires | ||
| Consultation HTML des articles | Illimitée | Illimitée |
| Quiz d'entraînement | Illimités | Illimités |
| Téléchargement des versions PDF | 5 / jour | Selon devis |
| Accès aux archives | Oui | Oui |
| Info parution | Oui | Oui |
| Services inclus | ||
| Questions aux experts (1) | 4 / an | Jusqu'à 12 par an |
| Articles Découverte | 5 / an | Jusqu'à 7 par an |
| Dictionnaire technique multilingue | Oui | Oui |
|
(1) Non disponible pour les lycées, les établissements d’enseignement supérieur et autres organismes de formation. |
||
| DEMANDER UN DEVIS | ||
Information
Quiz d'entraînement bientôt disponible
