En cons ́equence, l’apprentissage statistique n’invente rien, il reproduit un mod`ele connu et le g ́en ́eralise aux nouvelles donn ́ees, au mieux selon un crit`ere sp ́ecifique d’ordre statistique `a optimiser. Plus on poss`ede de donn ́ees, meilleure sera la connaissance fournie par ce mod`ele.
La théorie de l'apprentissage statistique traite du problème de la recherche d'une fonction prédictive basée sur des données. La théorie de l'apprentissage statistique a conduit à des applications dans des domaines tels que la vision par ordinateur, la reconnaissance de la parole, la bioinformatique .
Sous H0, la statistique (R2 R2 q)=q (SSR SSRq)=q SSE=(n p 1) (1 R2)=(n p 1) suit une loi de Fisher à q et (n p 1) degrés de liberté. Dans le cas particulier où q = 1 ( j = 0), la F-statistique est alors le carré de la t-statistique de l’inférence sur un paramètre et conduit donc au même test.
Pour faire décroître Q il suffit donc de se déplacer en sens contraire. Il s’agit d’un algorithme itératif modi-fiant les poids de chaque neurone selon : Le coefficient de proportionnalité est appelé le taux d’apprentissage. Il peut être fixe, à déterminer par l’utilisateur, ou encore varier en cours d’exé-cution selon certaines heuristiques.