Construire des classificateurs projetables d'une complexité arbitraire

Les méthodes conventionnelles de conception de classificateurs souffrent souvent d'un double objectif contradictoire : développer des frontières de décision d'une complexité arbitraire adaptées à un problème donné, tout en contraignant simultanément la complexité de ces frontières pour éviter le surapprentissage des données d'entraînement. Une analyse récente révèle que ce conflit peut être résolu en construisant des classificateurs basés sur des éléments projetables, qui sont des discriminateurs faibles performants de manière égale sur les données d'entraînement et de test. Sur cette base, nous présentons une méthode qui construit un classificateur jusqu'à une complexité arbitraire tout en présentant une précision de généralisation.