Régression Linéaire d'Ensemble
La régression linéaire d'ensemble combine plusieurs modèles des moindres carrés ordinaires — chacun ajusté sur un échantillon bootstrap différent ou un sous-ensemble de caractéristiques — et fait la moyenne de leurs prédictions. Cette technique, fondée sur le cadre de bagging de Breiman (1996), réduit la variance et améliore la stabilité prédictive par rapport à un unique ajustement de régression linéaire, tout en conservant l'interprétabilité des hypothèses linéaires.
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
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8). Springer. ISBN: 978-0-387-84857-0
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-linear-regression
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
- Régression linéaire (ML)Apprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →