Vous formez un modèle de classification avec régression logistique. Lesquels des énoncés suivants sont vrais ? Cochez tout ce qui s’applique.
L’introduction de la régularisation dans le modèle entraîne toujours des performances égales ou supérieures sur l’ensemble de la formation.
L’introduction de la régularisation dans le modèle entraîne toujours des performances égales ou supérieures sur les exemples qui ne font pas partie de la série de formation.
L’ajout d’une nouvelle fonctionnalité au modèle se traduit toujours par des performances égales ou supérieures sur l’ensemble de formation.
L’ajout de nombreuses nouvelles fonctionnalités au modèle permet d’éviter le suréquipement de l’appareil d’entraînement.
Résumé
Nous proposons un nouvel algorithme pour convertir les maillages triangulaires non structurés en maillages à topologie cohérente pour les applications d’apprentissage machine. Nous combinons le calcul de cartes de profondeur orthogonales et l’approche de l’enveloppe rétractable pour paramétrer efficacement et solidement la géométrie des triangles indépendamment des imperfections telles que les faces inversées, les trous et les auto-intersections. Le maillage converti est paramétré de manière cohérente et compacte et convient donc à l’apprentissage machine. Nous utilisons un réseau d’auto-codeurs pour extraire la multitude de formes de la même catégorie afin d’explorer et de synthétiser une variété de formes. De plus, nous introduisons une interface de manipulation directe pour naviguer dans la synthèse. Nous démontrons notre approche avec plus de mille formes de voitures représentées dans des maillages triangulaires non structurés.