Correction maman

1 files changed, 3 insertions, 3 deletions

diff --git a/classification_finie/tabular.tex b/classification_finie/tabular.tex
index 3f98b6b..656a855 100644
--- a/classification_finie/tabular.tex
+++ b/classification_finie/tabular.tex
@@ -2,7 +2,7 @@ Dans cette section nous allons évaluer comment se comporte notre algorithme dan
 
 \subsection{Classification de données tabulaires}
 Nous allons évaluer notre nouvel algorithme sur les jeux de données COMPAS et sur LAW.
-Nous présenterons plus en détail ces bases de données à la Section~\ref{sec:aia-méthodo-jeu}.
+Nous présenterons plus en détail ces bases de données à la Section~\ref{sec:aia-methodo-jeu}.
 Disons pour le moment que COMPAS est un jeu tabulaire utilisé en justice prédictive pour créer des RAI comme nous les avons présentés en Section~\ref{sec:contexte-insti} et que LAW sert aux écoles de droit aux États-Unis pour sélectionner les étudiants en première année.
 Nous allons entraîner notre algorithme ainsi qu'une forêt aléatoire pour prédire si un coupable est récidiviste ou non sur COMPAS et pour prédire si un étudiant en droit va réussir l'examen du barreau par LAW.
 
@@ -56,9 +56,9 @@ Notre algorithme développé plus haut ne soufre pas de tel problème car nous t
 
 Nous explorons cet aspect avec l'expérience suivante : nous avons demandé à un panel d'utilisateur.ice.s de décrire en quelques mots les styles des tableaux de Paul Cézanne, un peintre impressionniste connu principalement pour ses tableaux de Provence.
 Les utilisateur.ices.s ont vu défiler les tableaux un-à-un.
-Pour chaque tableau il.elle.s devaient remplir un champ de texte n'imposant aucune restriction.
+Pour chaque tableau il.elle.s devaient remplir un champ de textes n'imposant aucune restriction.
 Cela a créé des réponses très hétérogènes comme par exemple \textit{Paul Alexis lisant à Émile Zola} montré en Figure~\ref{fig:zola} qui à été classifié comme \textquote{Hôpital psychiatrique}.
-Les utilisateur.rice.s peuvent être vu.e.s comme l'ensemble des classifieurs faibles dont notre algorithme va cumuler les prédictions pour en créer une qui fai consensus au sens de la maximisation de l'exactitude équilibrée.
+Les utilisateur.rice.s peuvent être vu.e.s comme l'ensemble des classifieurs faibles dont notre algorithme va cumuler les prédictions pour en créer une qui fasse consensus au sens de la maximisation de l'exactitude équilibrée.
 C'est donc une méthode qui se rapproche de la votation.
 
 \begin{figure}