Matches in SemOpenAlex for { <https://semopenalex.org/work/W5909894> ?p ?o ?g. }
Showing items 1 to 25 of
25
with 100 items per page.
- W5909894 abstract "La problematique etudiee dans cette these est la selection de modele automatique des machines a vecteurs de support (SVM) pour la reconnaissance de chiffres manuscrits. Nous presentons une nouvelle methodologie de selection de modele automatique du SVM sur des donnees binaires et multiclasse. L'approche permet d'optimiser les parametres de noyaux et de reduire efficacement la complexite du classifieur en minimisant le nombre de vecteurs de support. Ceci s'accompagne d'une reduction drastique de l'erreur de generalisation.La methodologie proposee est basee sur un nouveau critere de selection de modele estimant la probabilite d'erreur du SVM. Ce critere est ensuite minimise en utilisant une procedure efficiente de descente de gradient. La probabilite d'erreur est une erreur empirique estimee sur des observations de validation representant le meme probleme de classification. Son calcul utilise les estimations des probabilites a posteriori de ces observations.Pour des fins de comparaison, nous considerons deux autres criteres de selection de modele que sont le GACV et le VC. Ce sont deux criteres analytiques approximant des bornes superieures de l'erreur. Pour le premier, nous proposons aussi un nouvel algorithme de minimisation. Les experiences effectuees sur un probleme de classification binaire montrent la superiorite du critere de l'erreur empirique et sa capacite a selectionner adequatement les hyper-parametres du SVM. Aussi, le critere garantit la solution de moindre complexite en produisant le plus faible nombre de vecteurs de support.Par ailleurs, sur des donnees multiclasses, nous proposons deux approches de selection automatique de modele dans la strategie un-contre-un. La premiere, dite «approche locale» permet d'optimiser l'ensemble de SVM individuellement en adaptant leurs hyper-parametres aux donnees du couple de classes considere. La deuxieme, dite «approche globale», permet d'optimiser simultanement l'ensemble de SVM en prenant en compte le comportement de chacun d'eux. Pour cette derniere, nous proposons de maximiser la vraisemblance des donnees de validation a travers l'ensemble de SVM en minimisant l'erreur quadratique entre les probabilites a posteriori des classes et les probabilites desirees des donnees. Les deux approches sont validees experimentalement sur des donnees reelles issues des bases d'images de chiffres manuscrits arabes USPS et indiens INDCENPARMI." @default.
- W5909894 created "2016-06-24" @default.
- W5909894 creator A5027205206 @default.
- W5909894 date "2004-01-13" @default.
- W5909894 modified "2023-09-23" @default.
- W5909894 title "Sélection automatique de modèle dans les machines à vecteurs de support : application à la reconnaissance d'images de chiffres manuscrits" @default.
- W5909894 hasPublicationYear "2004" @default.
- W5909894 type Work @default.
- W5909894 sameAs 5909894 @default.
- W5909894 citedByCount "0" @default.
- W5909894 crossrefType "journal-article" @default.
- W5909894 hasAuthorship W5909894A5027205206 @default.
- W5909894 hasConcept C138885662 @default.
- W5909894 hasConcept C15708023 @default.
- W5909894 hasConcept C33923547 @default.
- W5909894 hasConceptScore W5909894C138885662 @default.
- W5909894 hasConceptScore W5909894C15708023 @default.
- W5909894 hasConceptScore W5909894C33923547 @default.
- W5909894 hasLocation W59098941 @default.
- W5909894 hasOpenAccess W5909894 @default.
- W5909894 hasPrimaryLocation W59098941 @default.
- W5909894 isParatext "false" @default.
- W5909894 isRetracted "false" @default.
- W5909894 magId "5909894" @default.
- W5909894 workType "article" @default.