Glossaire

Bagging

Qu’est-ce que Bagging ?

Le bagging (abréviation de bootstrap aggregating) est une méthode d'ensemble en apprentissage automatique : de nombreux modèles sont entraînés sur des échantillons tirés au hasard des données d'entraînement, puis leurs prédictions sont moyennées ou combinées par vote majoritaire. Les résultats gagnent en stabilité et le surapprentissage diminue. L'exemple le plus connu est la forêt aléatoire, qui combine de nombreux arbres de décision, par exemple pour prévoir l'attrition ou des prix.

Thèmes

Méthodes d'ensemble
Apprentissage automatique
Arbres de décision

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Régression par forêt aléatoire

La régression par forêt aléatoire prédit des valeurs numériques en combinant de nombreux arbres de décision. Chaque arbre est entraîné sur un échantillon aléatoire des données et une sélection aléatoire de variables ; le résultat est la moyenne des prédictions de tous les arbres. La méthode est ainsi plus robuste et moins sujette au surapprentissage qu'un arbre unique. On l'utilise par exemple pour des prévisions de ventes, des estimations de prix ou de besoins énergétiques, souvent comme point de départ solide sur des données tabulaires.

régression
méthode d'ensemble
+1

Boosting

Le boosting est une méthode d'ensemble en apprentissage automatique dans laquelle de nombreux modèles simples sont entraînés successivement, chacun se concentrant sur les cas où les précédents se sont trompés. Ensemble, ils forment un modèle global nettement plus précis. Les variantes connues sont AdaBoost et le gradient boosting, avec des bibliothèques comme XGBoost ou LightGBM. Le boosting excelle sur les données tabulaires, par exemple pour prévoir le risque de crédit, les ventes ou l'attrition.

Méthodes d'ensemble
Apprentissage automatique
+1

Arbre de décision

Un arbre de décision est un modèle qui représente une décision sous forme d’une suite de questions simples oui/non : chaque branche teste une caractéristique, chaque feuille donne un résultat. En apprentissage automatique, ces arbres sont appris à partir des données et servent à la classification ou à la prévision. Leur atout est la lisibilité, par exemple pour comprendre pourquoi une demande de crédit a été signalée selon le revenu, la durée et l’historique de paiement.

Apprentissage automatique
Classification
+1

Surapprentissage (overfitting)

Le surapprentissage (overfitting) se produit lorsqu’un modèle mémorise les données d’entraînement, y compris leurs aléas et leur bruit, au lieu de saisir des régularités générales. Il paraît alors très précis sur les données connues, mais donne de mauvais résultats sur de nouvelles données. Un écart important entre erreur d’entraînement et erreur de test en est le signe typique. Les remèdes : davantage de données ou des données plus variées, des modèles plus simples, la régularisation, le dropout et la validation croisée.

qualité du modèle
entraînement
+1