« Ré-échantillonnage avec remise ensembliste » : différence entre les versions


m (Remplacement de texte — « <small>loc. nom. fém.</small> » par « <small> féminin </small> »)
Aucun résumé des modifications
Ligne 4 : Ligne 4 :
Note: le résultat sera obtenu par le calcul de la moyenne pour une régression (prédiction d'un nombre) ou par un vote majoritaire dans le cas d'une classification (prédiction d'une classe). Typiquement, le ré-échantillonnage ensembliste aide à réduire la variance et le sur-ajustement. L'algorithme de la forêt aléatoire ''(random forest)'' est une extension très utilisée du ré-échantillonnage ensembliste.
Note: le résultat sera obtenu par le calcul de la moyenne pour une régression (prédiction d'un nombre) ou par un vote majoritaire dans le cas d'une classification (prédiction d'une classe). Typiquement, le ré-échantillonnage ensembliste aide à réduire la variance et le sur-ajustement. L'algorithme de la forêt aléatoire ''(random forest)'' est une extension très utilisée du ré-échantillonnage ensembliste.


Voir: '''[[Ré-échantillonnage avec remise.]]'''
Voir: '''[[Ré-échantillonage avec remise]]'''


==Français==
==Français==

Version du 17 janvier 2021 à 11:03

Définition

Méta-algorithme d'apprentissage ensembliste qui ré-échantillonne au hasard avec remise les données d'entraînement pour créer un ensemble de modèles où chaque sous-échantillon correspond à un modèle distinct.

Note: le résultat sera obtenu par le calcul de la moyenne pour une régression (prédiction d'un nombre) ou par un vote majoritaire dans le cas d'une classification (prédiction d'une classe). Typiquement, le ré-échantillonnage ensembliste aide à réduire la variance et le sur-ajustement. L'algorithme de la forêt aléatoire (random forest) est une extension très utilisée du ré-échantillonnage ensembliste.

Voir: Ré-échantillonage avec remise

Français

ré-échantillonnage avec remise ensembliste masculin

agrégation par la méthode de Cyrano féminin

Anglais

bagging

bootstrap aggregation


Source: Wang, Jianqiang C ; Jean D. Opsomer et Haonan Wang (2014). L’agrégation bootstrap des estimateurs non différenciables dans les enquêtes complexes, Statistique Canada.

Source: Claude Coulombe, Datafranca.org

Source: Termino