Arbre de décision ensembliste
Les méthodes d'arbre de décision ensembliste entraînent plusieurs arbres de décision et combinent leurs sorties pour produire des prédictions plus précises et stables que celles d'un arbre unique. Couvrant des stratégies telles que le bagging, le sous-espacement aléatoire et le vote, elles comptent parmi les techniques prêtes à l'emploi les plus efficaces pour les tâches de classification et de régression sur données tabulaires.
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
- Dietterich, T. G. (2000). Ensemble methods in machine learning. In Multiple Classifier Systems, Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-45014-9_1 ↗
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble Decision Tree (Combined Decision Tree Classifiers and Regressors). ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-decision-tree
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
- BoostingApprentissage automatique↔ compare
- Arbre de décisionApprentissage automatique↔ compare
- Extra TreesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →