Forêt aléatoire bayésienne
La forêt aléatoire bayésienne étend la forêt aléatoire classique en plaçant une distribution a priori sur les structures d'arbres et les paramètres des feuilles, puis en échantillonnant ou en approximant la distribution a posteriori sur cet ensemble. Le résultat est un ensemble de prédictions accompagnées d'estimations de confiance calibrées — une capacité que les forêts aléatoires standard n'ont pas — ce qui la rend précieuse lorsque savoir à quel point le modèle est confiant est aussi important que la prédiction elle-même.
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
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-random-forest
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.
- Apprentissage Actif BayésienApprentissage automatique↔ compare
- Arbre de décision bayésienApprentissage automatique↔ compare
- Apprentissage semi-supervisé bayésienApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →