Qu'est-ce que Fast R-CNN ? Fast R-CNN est un cadre de détection d'objets efficace qui améliore la vitesse et la précision dans l'identification des objets dans les images. En savoir plus dans le Glossaire IA de SEOFAI.

Le score AUC mesure la performance d'un modèle de classification binaire à différents seuils.

Bernoulli Naive Bayes is a probabilistic classifier based on Bayes' theorem, suitable for binary features.

La pondération des classes ajuste l'importance des différentes classes en apprentissage automatique pour traiter des ensembles de données déséquilibrés.

Les arbres de classification et de régression (CART) sont des algorithmes d'arbres de décision utilisés pour prédire des résultats en fonction de caractéristiques d'entrée.

La classification à gros grains consiste à catégoriser les données en groupes larges et de haut niveau plutôt qu’en catégories fines et spécifiques.

Une frontière de décision est une surface qui sépare différentes classes dans un ensemble de données utilisé pour des tâches de classification.

Un tronc de décision est un modèle d'apprentissage automatique simple qui utilise une seule caractéristique pour faire une décision de classification binaire.

Un classificateur d'arbre de décision est un modèle d'apprentissage automatique utilisé pour des tâches de classification, utilisant une structure en arbre pour prendre des décisions.

Un faux positif en IA fait référence à un résultat incorrect où un modèle identifie à tort un résultat positif.

Le Gradient Boosting Fonctionnel est une technique d'apprentissage automatique qui construit des modèles de manière itérative pour améliorer la précision des prédictions.

Les classes déséquilibrées se produisent lorsqu'une classe dans un ensemble de données est nettement plus nombreuse que les autres, ce qui affecte l'entraînement et la performance du modèle.

K-Plus Proches Voisins (KNN) est un algorithme simple utilisé pour la classification et la régression basé sur les exemples d'entraînement les plus proches.

La SVM à noyau est une technique avancée d'apprentissage automatique qui classe les données en les transformant en dimensions supérieures.

Une méthode qui améliore la classification par plus proches voisins en maximisant la marge entre différentes classes.

Une Machine à Vecteurs de Support Linéaire classe des données en trouvant l'hyperplan optimal qui sépare différentes classes dans un ensemble de données.

Séparable linéairement désigne des ensembles de données où les classes peuvent être séparées par une ligne droite (ou hyperplan) dans leur espace de caractéristiques.

Un classificateur logistique est un modèle statistique utilisé pour des tâches de classification binaire, prédisant des probabilités de résultats.

La fonction logit est une fonction utilisée pour modéliser des résultats binaires en statistique et apprentissage automatique.

La classe majoritaire fait référence à la catégorie dans un ensemble de données qui possède la fréquence d'occurrences la plus élevée.

Un classificateur à marge est un type d'algorithme d'apprentissage automatique qui sépare les points de données en utilisant un hyperplan tout en maximisant la marge entre les classes.

Un classificateur à marge maximale est un type de modèle d'apprentissage automatique qui trouve l'hyperplan maximisant la marge entre les classes.

La classe minoritaire fait référence à la catégorie moins fréquemment rencontrée dans un problème de classification, ce qui entraîne souvent des problèmes de déséquilibre des données.

L'erreur de mauvaise classification mesure le taux auquel un modèle prédit incorrectement la classe des points de données.

La classification multi-classes est une tâche d'apprentissage supervisé qui catégorise les entrées en plusieurs classes ou catégories.

Un classificateur basé sur le centroid le plus proche identifie les étiquettes de classe en fonction de la proximité du centroïde de chaque classe dans l'espace des caractéristiques.

La classe négative fait référence à la catégorie de points de données qui ne possèdent pas l'attribut cible dans les tâches de classification.

Une Classe Neutre en IA fait référence à une catégorie représentant des données qui n'appartiennent à aucune classe étiquetée spécifique.

La classification à une seule classe identifie les instances d'une seule classe, en les distinguant de tous les autres points de données potentiels.