Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Intégration de Connaissances a Priori dans le Principe du Maximum d'Entropie
In EGC 2010, vol. RNTI-E-19, pp.549-554
Résumé
Cet article montre que si l'on dispose d'une connaissance a priori sur
le problème en main, l'intégration de cette dernière dans le processus d'apprentissage
d'une machine intelligente pour des tâches de classification peut améliorer
la performance de cette machine. Nous étudions l'effet de l'intégration de la
connaissance a priori de convexité sur le processus d'apprentissage du principe
du Maximum d'Entropie (MaxEnt) en utilisant des exemples virtuels. Nous testons
les idées proposées sur un problème benchmark bien connu dans la littérature
des machines d'apprentissage, le problème de formes d'ondes de Breiman.
Nous avons abouti à un taux d'erreur de généralisation de 15.57% qui est très
proche du taux d'erreur théorique estimé par Breiman (14%).