Forêt aléatoire en ligne
La Forêt Aléatoire en Ligne (ORF) étend la Forêt Aléatoire classique aux environnements de flux, mettant à jour chaque arbre de manière incrémentielle à mesure que de nouvelles observations arrivent, sans stocker ni rejouer l'ensemble du jeu de données d'entraînement. Des algorithmes tels que les Forêts Aléatoires Adaptatives (ARF) ajoutent la détection de dérive afin que l'ensemble s'adapte lorsque la distribution des données change au fil du temps.
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.
+2 more
Sources
- Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE. link ↗
- Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfharinger, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106(9), 1469–1495. DOI: 10.1007/s10994-017-5642-8 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online Random Forest (Incremental Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fr/machine-learning/online-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.
- Online BaggingApprentissage automatique↔ compare
- Arbre de décision en ligneApprentissage automatique↔ compare
- Gradient Boosting en ligneApprentissage automatique↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Forêt aléatoire semi-superviséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →