Empilement bayésien (Bayesian stacking)
L'empilement bayésien combine les distributions prédictives de plusieurs modèles de base en trouvant des poids non négatifs qui maximisent le score prédictif logarithmique leave-one-out (LOO) du mélange. Formalisé par Yao, Vehtari, Simpson et Gelman (2018), il produit une distribution prédictive calibrée unique, dont il est prouvé qu'elle est au moins aussi performante que n'importe quel modèle constituant pris isolément, en validation croisée.
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
- Yao, Y., Vehtari, A., Simpson, D., & Gelman, A. (2018). Using stacking to average Bayesian predictive distributions. Bayesian Analysis, 13(3), 917–1007. DOI: 10.1214/17-BA1091 ↗
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Stacking Ensemble (Bayesian Stacking of Predictive Distributions). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-stacking-ensemble
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.
- Bagging (Bootstrap Aggregating)Apprentissage automatique↔ compare
- Moyenne Bayésienne de ModèlesBayésien↔ compare
- BoostingApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- EmpilementApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →