Glossaire

Arbre de décision

Qu’est-ce que 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.

Ce que fait KI.ordo

Dans les flux KI.ordo, vous pouvez modéliser des chemins de décision simples avec les blocs « Condition » (oui/non) et « Décideur IA » (jusqu’à 8 catégories).

En savoir plus →

Thèmes

Apprentissage automatique
Classification
Transparence

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

Gradient boosting

Le gradient boosting est une technique d’apprentissage automatique qui combine successivement de nombreux modèles simples, généralement de petits arbres de décision. Chaque nouvel arbre est entraîné pour réduire les erreurs restantes des précédents. On obtient ainsi des modèles très performants sur des données tabulaires, par exemple pour le risque de crédit, les prévisions de ventes ou la probabilité d’attrition. XGBoost, LightGBM et CatBoost en sont des implémentations connues ; un réglage soigneux évite le surapprentissage.

Apprentissage automatique
Méthode d’ensemble
+1

Classifieur

Un classifieur est un modèle ou une méthode qui attribue une entrée à l'une de plusieurs catégories prédéfinies. Les variantes classiques, comme les arbres de décision ou le Naive Bayes, sont entraînées sur des exemples étiquetés ; les modèles de langage peuvent aussi classer des textes à partir d'une description des catégories. Usages typiques : détection de spam, tri des demandes clients par thème ou classement de justificatifs. La qualité se mesure avec des indicateurs comme l'exactitude, la précision et le rappel.

Classification
Apprentissage automatique
+1

Modèle

Heuristiques

Les heuristiques sont des règles empiriques ou des stratégies simplifiées qui mènent en un temps raisonnable à une bonne solution, sans garantie qu’elle soit optimale. En informatique et en IA, elles aident à réduire d’immenses espaces de recherche, par exemple pour le calcul d’itinéraires, où la distance à vol d’oiseau sert d’estimation, ou aux échecs, où l’on évalue les positions. Dans la vie courante et les décisions d’entreprise, nous utilisons aussi des heuristiques, au risque de biais de raisonnement.

Résolution de problèmes
Algorithmes
+1