Dans cet article on va voir un moyen mnémotechnique efficace pour toujours se rappeler la différence entre une classe et un label.
En Machine Learning différents types d’approches existent pour résoudre un problème.
Parmi eux, les problèmes de classification forment une large partie du spectre.
Malheureusement certains concept de la classification sont confondus ou mal compris pour certaines personnes.
Voyons maintenant comment se souvenir de ces différents concepts et faire la différence entre une classe et un label :
- Classe et Label
- Classification binaire
- Classification multiclasse – multilabel
Qu’est-ce qu’une classe ? – Différence entre une classe et un label
Prenons un exemple.
Nous devons prédire la météo à Paris pour tous les jours de la semaine.
Ici nous voulons seulement prédire s’il fera beau.
Pour cet exemple, on a trois options : soleil, pluie, neige.
Chaque jour doit être classer (ou classifier) dans chacune de ces options.
C’est donc un problème de classification.
À noter que, si nous devions prédire la température en °C, ce ne serait plus un problème de classification mais de régression.
Ces trois options (soleil, pluie, neige) sont en fait nos classes.
Ce sont les trois dans lesquels nous devons classer nos données (les jours de la semaine).
Mnémotechnique : Une classe est une catégorie dans laquelle classer (classifier) nos données.
Une classification binaire c’est une classification avec seulement deux classes.
Une classification multiclasse c’est une classification avec plus de deux classes.
Qu’est-ce qu’un label ? – Différence entre une classe et un label
Poursuivons notre exemple.
Maintenant nous ne devons plus uniquement prédire la météo pour Paris mais aussi pour Miami et Moscou.
Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
À présent, on peut revenir à ce que je mentionnais précédemment.
Ici nous voulons toujours prédire s’il fera beau.
MAIS pour un même jour, nous avons 3 localisations différentes. Et donc 3 résultats possibles.
Ces villes sont en fait nos labels.
Ces labels permettent de différencier nos jours de la semaine selon la ville.
Le problème de classification est toujours le même mais il faudra répéter l’opération pour chacun des labels.
Mnémotechnique : Un label est une catégorie qui permet de différencier (labelliser) nos données.
Une classification multiclasse multilabel est une classification avec plus de deux classes et plus d’un label.
À noter que différents labels pour des données n’implique pas nécessairement les mêmes classes.
On peut imaginer qu’à New York on ait 3 classes (soleil, pluie, neige) quand à Londres seulement 2 (pluie, nuageux).
Classe, label et après ? – Différence entre une classe et un label
En Deep Learning il faut adapter son réseau de neurones à chacun de ces types de classification.
Effectivement, pour un problème de classification binaire, la couche de sortie ne sera pas la même que dans un problème de classification multi-classes.
Une couche de sortie implique une fonction d’activation différentes !
Je présente le type de fonction d’activation à utiliser dans chacune des classifications dans cet article.
Savoir faire la différence entre une classe et un label est une base fondamentale pour faire du Deep Learning.
Néanmoins, ce n’est qu’une goutte parmi les concepts que tu devras connaître pour réellement maîtriser cette technologie.
Aujourd’hui, c’est grâce au Deep Learning que les leaders de la tech peuvent créer les Intelligences Artificielles les plus puissantes.
Si tu veux approfondir tes connaissances dans le domaine, tu peux accéder à mon Plan d’action pour Maîtriser les Réseaux de neurones.
Un programme de 7 cours gratuits que j’ai préparé pour te guider dans ton parcours pour apprendre le Deep Learning.
Si ça t’intéresse, clique ici :
source :
- Photo – Unsplash, Malgorzata Bujalska
Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
