« Forêt aléatoire » : différence entre les versions

Version du 8 janvier 2019 à 10:23

Domaine

Vocabulaire

Définition

Les forêts d'arbres décisionnels1 (ou forêts aléatoires de l'anglais random forest classifier) ont été formellement proposées en 2001 par Leo Breiman et Adèle Cutler. Elles font partie des techniques d'apprentissage automatique. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging. L'algorithme des forêts d'arbres décisionnels effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents.

La base du calcul repose sur l'apprentissage par arbre de décision. La proposition de Breiman2 vise à corriger plusieurs inconvénients connus de la méthode initiale, comme la sensibilité des arbres uniques à l'ordre des prédicteurs, en calculant un ensemble de {\displaystyle {B}} {B} arbres partiellement indépendants.

Français

forêt d'arbres décisionnels n.f.

forêt d'arbres aléatoire n.f.

forêt aléatoire n.f.

ensemble d’arbres aléatoire n.m.

ensemble d'arbres décisionnels n.m.

Anglais

random forest

Source : Wikipedia IA
source : Wikistats.fr

@@ Ligne 10 : / Ligne 10 : @@
 == Définition ==
-L’algorithme d’agrégation de modèles le plus utilisé est celui des forêts aléatoires
+Les forêts d'arbres décisionnels1 (ou forêts aléatoires de l'anglais random forest classifier) ont été formellement proposées en 2001 par Leo Breiman et Adèle Cutler. Elles font partie des techniques d'apprentissage automatique. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging. L'algorithme des forêts d'arbres décisionnels effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents.
-(random forest) de Breiman (2001) ce qui ne signifie pas qu’il conduit
-toujours à la meilleure prévision. Voir la documentation pour la signification
-de tous les paramètres.
-Plus que le nombre d’arbres n_estimators, le paramètre à optimiser est
-le nombre de variables tirées aléatoirement pour la recherche de la division
-optimale d’un nœud : max_features. Par défaut, il prend la valeur p/3 en
-régression et √p en discrimination.
+La base du calcul repose sur l'apprentissage par arbre de décision. La proposition de Breiman2 vise à corriger plusieurs inconvénients connus de la méthode initiale, comme la sensibilité des arbres uniques à l'ordre des prédicteurs, en calculant un ensemble de {\displaystyle {B}} {B} arbres partiellement indépendants.
 <br />
 <br />
 == Français ==
-=== forêt aléatoire n.f.===
+===forêt d'arbres décisionnels n.f.===
 ===forêt d'arbres aléatoire  n.f.===
-===forêt d'arbres décisionnels n.f.===
+===forêt aléatoire n.f.===
 ===ensemble d’arbres aléatoire n.m.===
 ===ensemble d'arbres décisionnels n.m.===
@@ Ligne 37 : / Ligne 31 : @@
 <br/>
 <br/>
+[https://fr.wikipedia.org/wiki/For%C3%AAt_d%27arbres_d%C3%A9cisionnels        ''Source : Wikipedia IA '' ]
 <br/>
 [http://wikistat.fr/pdf/st-m-app-agreg.pdf source : Wikistats.fr ]

« Forêt aléatoire » : différence entre les versions