1. Variante orthographique de sur-apprentissage.
La capacité prédictive des SVM est élevée. Nous verrons plus loin que le risque de biais de surapprentissage qui paraît élevé, est maitrisé par la maximisation de la marge, à condition de ne pas chercher nécessairement une séparation parfaite dans ?(E).
(Gilbert Saporta, Probabilités, analyse des données et statistique, 2006)
Tous les sujets qui ont eu le premier apprentissage réussissent mieux au second que le groupe contrôle ; mais s'ils ont appris une réponse explicite, il faut qu'il y ait eu surapprentissage pour qu'un effet important soit noté [?]
(Philosophie, sciences humaines, volume 14, Centre national de la recherche scientifique (France), 1960)
2. Action de sur-apprendre une tâche.
Dans le second cas, on dit que le modèle est en sur-apprentissage : il modélise également des informations qui ne font pas partie de la véritable relation entrées-sortie, comme par exemple du bruit dû aux mesures.
(Geoffroy Simon, Méthodes non linéaires pour séries temporelles, Presses universitaires de Louvain, 2007)
De plus, les élèves doivent obtenir suffisamment de succès dans leur pratique pour en arriver à un sur-apprentissage puis à une automatisation.
(Steve Bissonnette, Clermont Gauthier, Mario Richard, Échec scolaire et réforme éducative, 2005)
3. Le surapprentissage ou sur-ajustement (en anglais « overfitting ») est un problème pouvant survenir dans les méthodes mathématiques et informatiques d'apprentissage automatique. Il est en général provoqué par un mauvais dimensionnement de la structure utilisée pour classifier. De par sa trop grande capacité à stocker des informations, une structure dans une situation de surapprentissage aura de la peine à généraliser les caractéristiques des données. Elle se comporte alors comme une table contenant tous les échantillons utilisés lors de l'apprentissage et perd ses pouvoirs de prédiction sur de nouveaux échantillons.
4. En statistique, le surapprentissage , ou sur-ajustement , ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données. Ainsi, cette analyse peut ne pas correspondre à des données supplémentaires ou ne pas prévoir de manière fiable les observations futures. Un modèle surajusté est un modèle statistique qui contient plus de paramètres que ne peuvent le justifier les données.
5. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données. Ainsi, cette analyse peut ne pas correspondre à des données supplémentaires ou ne pas prévoir de manière fiable les observations futures. Un modèle surajusté est un modèle statistique qui contient plus de paramètres que ne peuvent le justifier les données.
6. Phénomène d'apprentissage où l'entraînement se poursuit au-delà du niveau nécessaire à la maîtrise d'une compétence ou connaissance, pouvant entraîner une performance accrue ou des effets spécifiques dans certaines conditions.
Tous les sujets qui ont eu le premier apprentissage réussissent mieux au second que le groupe contrôle ; mais s'ils ont appris une réponse explicite, il faut qu'il y ait eu surapprentissage pour qu'un effet important soit noté [...]
