CHAPITRE VI Application du Machine Learning pour l’étude du franchissement
92
VI.2.2. Sur et sous apprentissage
Il faut toujours passer par une étape de paramétrage et d’optimisation lors de la mise en place d’un
modèle, pour éviter le sur et sous apprentissage.
VI.2.2.1 Sous-apprentissage
Le modèle ne s’entraine pas suffisamment sur les données d’apprentissage, ce qui signifie qu’il ne
peut pas modéliser sur de nouvelles données.
VI.2.2.2 Sur-apprentissage
C’est trop ajuster le modèle (over fitting en anglais). Le modèle s’entraine même sur le bruit
présent dans les données, ce dernier qui change aléatoirement affecte négativement la prédiction
de nouvelles données.
VI.2.2.2.1
Les différents types de l’apprentissage automatique :
L’Apprentissage automatique se décompose d’une phase d’entraînement et une phase de test.
Nous pouvons dénombrer 2 méthodes basiques :
– la Classification : modélisation de plusieurs groupes de données dans des classes connues.
– le Clustering : ressemble à la classification mais ce ne sont pas des classes connues.
VI.2.3. Régression
Les données sont liées à d’autres données numériques par une corrélation. Le but ici est de prédire
une valeur aussi proche de la valeur de sortie réelle que notre modèle.
VI.2.3.1 Régression polynomiale
La régression polynomiale est un cas particulier de la régression linéaires. La relation entre entrée
et sortie est considérée polynômiale. Ces modèles peuvent être utilisés dans les situations où la
relation entre l'étude et les variables explicatives est curviligne. Parfois, une relation non linéaire
dans une petite gamme de variables explicatives peut également être modélisée par des polynômes.
Le modèle polynomial peut être utilisés pour approximer une relation non linéaire complexe.
Ainsi, pour un polynôme de degré p, le modèle correspond à (Laboratoire 2 ETS., 2012) :
𝑔(𝑥; 𝜃) = 𝜔 0 + 𝜔 1 𝑥 + 𝜔 2 𝑥
2 + ⋯ + 𝜔 𝑝 𝑥
𝑝 = ∑ 𝑗=0
𝑝   𝜔 𝑗 𝑥
𝑗
Équation VI-1
Les poids du polynôme 𝜔 𝑝 représentent les paramètres du modèle :
Équation VI-2