Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Forêt Aléatoire (Random Forest)
Algorithme de Bagging utilisant des arbres de décision comme estimateurs de base, où chaque arbre est entraîné sur un échantillon bootstrap et un sous-ensemble aléatoire de features.
Out-of-Bag (OOB) Error
Méthode d'évaluation de la performance d'un modèle de Bagging en utilisant les données non sélectionnées lors de l'échantillonnage bootstrap pour chaque estimateur comme ensemble de validation.
Instabilité des Estimateurs
Propriété de certains modèles de base (comme les arbres de décision) qui sont très sensibles aux petites variations des données, rendant le Bagging particulièrement efficace pour eux.
Random Patches
Technique d'ensemble combinant l'échantillonnage bootstrap sur les instances et l'échantillonnage aléatoire sur les features pour chaque modèle de base, augmentant la diversité.
Briquetage (Bagging de régression)
Application spécifique du Bagging aux modèles de régression, où les prédictions finales sont obtenues en calculant la moyenne des prédictions individuelles des régresseurs de base.
Diversité de l'Ensemble
Mesure de l'hétérogénéité des erreurs entre les modèles de base, une diversité élevée étant cruciale pour que l'agrégation dans le Bagging réduise efficacement l'erreur globale.