Généralisation empilée
La généralisation empilée, ou empilement (stacking), est une méthode d'ensemble à deux niveaux où des classifieurs de niveau de base sont entraînés sur les données originales, et un méta-apprenant est entraîné sur les prédictions des classifieurs de base. Le méta-apprenant apprend comment combiner au mieux les prédictions de base plutôt que d'utiliser des règles d'agrégation fixes. Introduit par David Wolpert en 1992, l'empilement atteint des performances de pointe en apprenant automatiquement la pondération optimale et les schémas d'interaction entre les modèles de base.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241-259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Breiman, L. (1996). Stacked regressions. Machine Learning, 24(1), 49-64. DOI: 10.1023/a:1018046112532 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Stacked Generalization Ensemble. ScholarGate. https://scholargate.app/fr/ensemble-learning/stacked-generalization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Ensemble de BaggingApprentissage ensembliste↔ compare
- Ensemble par BoostingApprentissage ensembliste↔ compare
- Vote majoritaireApprentissage ensembliste↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →