Chapitre VI
Machine Learning
91
VI.2.5.2. Régression Polynomiale
La régression polynomiale est une méthode spécifique du cas de régression linéaire qui permet de
trouver la relation entre une variable dépendante et une ou plusieurs variables indépendantes en
utilisant une fonction polynomiale. En ajustant une courbe polynomiale aux données, ce modèle
permet de modéliser des relations non linéaires entre les variables et d’approximer une relation
complexe.
VI.2.5.3. Réseau de neurones artificiel
Le réseau de neurones artificiel ANN (Artificial Neural Network) est un modèle d’apprentissage
automatique qui simule le fonctionnement du cerveau humain en utilisant des couches de neurones
interconnectées pour traiter des données et effectuer des tâches. Le type de réseau de neurones le
plus simple est appelé Perceptron qui est un algorithme d'apprentissage automatique supervisé de
classification binaire (B.L. Flávio., 2018) inventé en 1943 par Walter Pitts et Warren McCulloch
(DIARETDB0.Evaluation Database).
Structure d’un neurone
La structure générale du réseau de neurones artificiel est composée de 6 parties et peut varier selon
la méthode de traitement et l'objectif des données (Figure VI-2).
1. Les entrées (x1, x2, x3, …, xp).
2. Les poids (w1, w2, w3, …, wp).
3. Une fonction de somme (Σ).
4. Un biais (w0).
5. Une fonction d’activation (h).
6. Une sortie (y).
Figure VI-2 Architecture générale d’un neurone (Jumelle Maxime. 2022)
VI.2.5.4. Arbres de décision
Les arbres de décision (Decsion Trees) sont une méthode d'apprentissage supervisé non
paramétrique utilisée pour la classification et la régression. Ils comportent trois parties principales
: un nœud racine, des nœuds feuilles et des branches (Figure VI-3). L'objectif est de créer un
modèle qui prédit la valeur de la variable cible en apprenant des règles de décision simples déduites
des caractéristiques des données.
Machine Learning
91
VI.2.5.2. Régression Polynomiale
La régression polynomiale est une méthode spécifique du cas de régression linéaire qui permet de
trouver la relation entre une variable dépendante et une ou plusieurs variables indépendantes en
utilisant une fonction polynomiale. En ajustant une courbe polynomiale aux données, ce modèle
permet de modéliser des relations non linéaires entre les variables et d’approximer une relation
complexe.
VI.2.5.3. Réseau de neurones artificiel
Le réseau de neurones artificiel ANN (Artificial Neural Network) est un modèle d’apprentissage
automatique qui simule le fonctionnement du cerveau humain en utilisant des couches de neurones
interconnectées pour traiter des données et effectuer des tâches. Le type de réseau de neurones le
plus simple est appelé Perceptron qui est un algorithme d'apprentissage automatique supervisé de
classification binaire (B.L. Flávio., 2018) inventé en 1943 par Walter Pitts et Warren McCulloch
(DIARETDB0.Evaluation Database).
Structure d’un neurone
La structure générale du réseau de neurones artificiel est composée de 6 parties et peut varier selon
la méthode de traitement et l'objectif des données (Figure VI-2).
1. Les entrées (x1, x2, x3, …, xp).
2. Les poids (w1, w2, w3, …, wp).
3. Une fonction de somme (Σ).
4. Un biais (w0).
5. Une fonction d’activation (h).
6. Une sortie (y).
Figure VI-2 Architecture générale d’un neurone (Jumelle Maxime. 2022)
VI.2.5.4. Arbres de décision
Les arbres de décision (Decsion Trees) sont une méthode d'apprentissage supervisé non
paramétrique utilisée pour la classification et la régression. Ils comportent trois parties principales
: un nœud racine, des nœuds feuilles et des branches (Figure VI-3). L'objectif est de créer un
modèle qui prédit la valeur de la variable cible en apprenant des règles de décision simples déduites
des caractéristiques des données.