4. Synthèse comparative
Il existe un grand nombre de modèles et algorithmes d’apprentissage statistique supervisé, et cet article s’est limité à présenter les principaux. Comme il a été indiqué, chacun d’eux possède des avantages et des inconvénients. Le choix, pour une application donnée, d’une technique plutôt qu’une autre est donc toujours délicat. L’idéal serait normalement d’essayer et comparer au moins les principales, mais cela peut représenter un travail important. D’autant qu’il faut s’assurer de trouver pour chacune les valeurs optimales des hyper-paramètres parfois nombreux, en utilisant une base de validation (ou la validation croisée).
Toutefois, les caractéristiques de données à traiter peuvent guider dans le choix de modèle (figure 32) :
Cet article est réservé aux abonnés
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ?
Se connecter
Lecture en cours
Synthèse comparative
Sources bibliographiques
-
(1) - RUMELHART (D.E.), HINTON (G.E.), WILLIAMS (R.J.) - Learning representations by back-propagating errors. - Nature, 323 (6088) : 533-536 (1986).
-
(2) - CYBENKO (G.) - Approximation by superpositions of a sigmoidal function. - Mathematics of Control, Signals, and Systems, 2(4), 303-314 (1989).
...
À lire également dans nos bases
-
CANU (S.) - Machines à noyaux pour l’apprentissage statistique. -
Outils logiciels
Pour les algorithmes « classiques » d’apprentissage statistique, l’outil logiciel le plus riche (contenant des implémentations de la pluparts des modèles et algorithmes) et très couramment utilisé est :
Sci-Kit Learn (librairie Python), http://scikit-learn.org
Pour l’apprentissage profond de réseaux convolutionnels, les principales librairies...
Cet article est réservé aux abonnés
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ?
Se connecter