Vocabulaire du machine learning:
Modèle:
Un modèle est une représentation spécifique apprise à partir de données en appliquant un algorithme d’apprentissage automatique. Un modèle est également appelé hypothèse.
Fonctionnalité:
Une fonctionnalité est une propriété individuelle mesurable de nos données. Un ensemble de caractéristiques numériques peut être décrit de manière pratique par un vecteur de caractéristiques. Les vecteurs d’entités sont alimentés en entrée du modèle. Par exemple, pour prédire un fruit, il peut y avoir des caractéristiques telles que la couleur, l’odeur, le goût, etc. Remarque: le choix de fonctionnalités informatives, discriminantes et indépendantes est une étape cruciale pour des algorithmes efficaces. Nous utilisons généralement un extracteur de fonctionnalités pour extraire les fonctionnalités pertinentes des données brutes.
Cible (étiquette):
Une variable cible ou une étiquette est la valeur à prédire par notre modèle. Pour l’exemple de fruit discuté dans la section des caractéristiques, l’étiquette avec chaque ensemble d’entrée serait le nom du fruit comme la pomme, l’orange, la banane, etc.
Apprentissage:
L’idée est de donner un ensemble d’entrées (fonctionnalités) et de sorties attendues (étiquettes), donc après l’entraînement, nous aurons un modèle (hypothèse) qui mappera ensuite les nouvelles données à l’une des catégories entraînées. Prédiction Une fois que notre modèle est prêt, il peut recevoir un ensemble d’entrées auquel il fournira une sortie prédite (étiquette).