Ensemble Naive Bayes
L'Ensemble Naive Bayes entraîne plusieurs classifieurs Naive Bayes — chacun exposé à une vue différente des données par bagging, sous-ensembles de caractéristiques ou boosting — et combine leurs prédictions probabilistes par vote ou moyennage de probabilités. L'approche conserve la rapidité et l'interprétabilité des modèles Naive Bayes individuels tout en réduisant la variance et en améliorant la précision grâce à l'agrégation d'ensemble.
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 J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
- Lowd, D. & Domingos, P. (2005). Naive Bayes Models for Probability Estimation. In Proceedings of the 22nd International Conference on Machine Learning (ICML 2005), pp. 529–536. ACM. DOI: 10.1145/1102351.1102418 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Ensemble of Naive Bayes Classifiers. ScholarGate. https://scholargate.app/fr/machine-learning/ensemble-naive-bayes
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
- Naive BayesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Bayes naïf semi-superviséApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →