KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Arbre de Classification
Type d'arbre de décision spécialisé dans la prédiction de valeurs discrètes ou catégorielles. Les feuilles de l'arbre contiennent des étiquettes de classe et le chemin depuis la racine jusqu'à une feuille représente une règle de classification.
Critère de Splitting
Méthode mathématique utilisée pour évaluer la qualité d'une division potentielle dans un arbre de décision. Le critère vise à maximiser l'homogénéité des sous-ensembles créés, utilisant l'impurité de Gini ou l'entropie pour la classification et la réduction de variance pour la régression.
Impurité de Gini
Mesure d'impureté utilisée dans les arbres de classification pour évaluer mélange des classes dans un nœud. Une valeur de 0 indique un nœud parfaitement pur (toutes les observations appartiennent à une seule classe), tandis qu'une valeur de 0.5 indique le mélange maximal dans un problème binaire.
Erreur Quadratique Moyenne (MSE)
Critère de division principal utilisé dans les arbres de régression pour minimiser la variance intra-nœud. Le MSE calcule la moyenne des carrés des différences entre les valeurs prédites et réelles, guidant la sélection des points de division optimaux.
Deep Decision Trees
Arbres de décision avec une grande profondeur qui peuvent modéliser des relations complexes et non linéaires dans les données. Les arbres profonds risquent le surapprentissage mais capturent des interactions de haut niveau entre les caractéristiques.
Méthodes d'Ensemble
Approches qui combinent plusieurs modèles prédictifs pour produire une prédiction finale plus robuste et précise. Les méthodes d'ensemble exploitent la diversité des modèles individuels pour réduire la variance, le biais ou les deux simultanément.
Variance de l'Arbre
Mesure de la sensibilité d'un arbre de décision aux variations dans les données d'entraînement. Les arbres de décision ont typiquement une variance élevée car de petites modifications des données peuvent entraîner des structures d'arbre très différentes.