diff options
Diffstat (limited to 'finie.tex')
-rw-r--r-- | finie.tex | 52 |
1 files changed, 52 insertions, 0 deletions
diff --git a/finie.tex b/finie.tex new file mode 100644 index 0000000..7fe5e7b --- /dev/null +++ b/finie.tex @@ -0,0 +1,52 @@ +\begin{frame} + \frametitle{Etude des CCA} + \begin{definition} + Un CCA est un classifieur ayant une \emph{prédiction indépendante de l'étiquette}. + C'est-à-dire que pour un classifieur $f: E\rightarrow F$. + Avec une étiquette $Y:\Omega\rightarrow F$ + et une entrée $X:\Omega\rightarrow E$. + Alors pour $\hat{Y}=f\circ X$, nous avons + \emph{$P_{(Y,\hat{Y})} = P_Y\otimes P_{\hat{Y}}$} + \end{definition} + \pause + \begin{lemma} + \label{lemme:aia-xycca} + Soit $(\Omega,\mathcal{T},P)$ un espace probabilisé. + Soient $X:(\Omega,\mathcal{T}) \rightarrow (E,\mathcal{E})$ et $Y:\Omega \rightarrow (F,\mathcal{F})$ des variables aléatoires. + Les deux propositions suivantes sont équivalentes : + \begin{enumerate} + \item $P_{(X,Y)} = P_X\otimes P_Y$. + \item Toute fonction mesurable $f:(E,\mathcal{T})\rightarrow (F,\mathcal{F})$ est un CCA pour prédire $Y$ à partir de $X$. + \end{enumerate} + \end{lemma} +\end{frame} + +\begin{frame} + \frametitle{Etude des CCA} + \begin{propriete} + \label{prop:CCA_BA} + Les CCA ayant comme image $ F$ ont une exactitude équilibrée égale à $\frac{1}{\# F}$. + \end{propriete} + \pause + \begin{theorem} + \label{th:fini-bacca} + En notant $BA(f)$ l'exactitude équilibrée de $f$. + \begin{equation*} + \forall f~BA(f)=\frac{1}{\#F} \iff + \forall f~\text{$f$ est un CCA} + \end{equation*} + \end{theorem} +\end{frame} +\begin{frame} + \frametitle{Nouvelle contribution : Classification finie} + \input{tikz/ef} + \vspace{20px} + $n^m$ applications à essayer !\\ + \vspace{20px} + Plan: + \begin{itemize} + \item Problème introductif : Accuracy $P(Y=f\circ X)$ + \item Balanced accuracy (plus dure !) $\frac{1}{n}\sum_{i\in F}P(f\circ X=i|Y=i)$ + \item ? + \end{itemize} +\end{frame} |