Machine learning

Forêt Aléatoire

La Forêt Aléatoire (Random Forest) est une méthode d'apprentissage d'ensemble, introduite par Leo Breiman en 2001, qui construit de nombreux arbres de décision sur des échantillons bootstrap des données et combine leurs votes pour produire une classification et une régression robustes. En regroupant de nombreux arbres légèrement différents, elle produit des prédictions plus précises et plus stables que n'importe quel arbre unique.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Forêt Aléatoire

Arbre de décision Régression logistique Machine à vecteurs de su…XGBoost Arbre de décision en app…Apprentissage actif avec…Apprentissage actif avec…Régression Linéaire par…Régression logistique av…Machine à vecteurs de su…

+127 more

Sources

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7

Comment citer cette page

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fr/machine-learning/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.

Arbre de décisionApprentissage automatique↔ compare
Régression logistiqueStatistiques de recherche↔ compare
Machine à vecteurs de support (Classification)Apprentissage automatique↔ compare
XGBoostApprentissage automatique↔ compare

Compare side by side →

Référencée par

Arbre de décision en apprentissage actif Apprentissage actif avec gradient boosting Apprentissage actif avec LightGBM Régression Linéaire par Apprentissage Actif Régression logistique avec apprentissage actif Machine à vecteurs de support par apprentissage actif AdaBoost Mécanisme d'attention Bagging (Bootstrap Aggregating)Ensemble de Bagging Bayesian Bagging Arbre de décision bayésien Bayesian k-Nearest Neighbors LightGBM bayésien Forêt aléatoire bayésienne XGBoost bayésien Ajustement fin de BERT RNN bidirectionnel Boosting Capsule Network CatBoost Classification d'images par CNN Réseau de neurones convolutif (Classification)DBSCAN Arbre de décision Apprentissage par renforcement profond DeepAR Cartographie numérique des sols CNN dilatée Apprentissage automatique double Elastic Net Apprentissage actif par ensemble Algorithme Apriori d'Ensemble Arbre de décision ensembliste Modèle de Mélange Gaussien en Ensemble Processus Gaussien d'Ensemble Ensemble Gradient Boosting Forêt d'isolement en ensemble Ensemble de K plus proches voisins Régression Linéaire d'Ensemble Régression logistique ensembliste Apprentissage métrique d'ensemble Ensemble Naive Bayes Apprentissage ensembliste en ligne Apprentissage auto-supervisé par ensemble Machine de vecteurs de support ensembliste Ensemble Transfer Learning Arbre de décision explicable Extra Trees Explicables Gradient Boosting Explicable K-Means Explicable K-Plus-Proches-Voisins Explicable LightGBM Explicable Perceptron multicouche explicable Naïve Bayes Explicable Forêt Aléatoire Explicable Ensemble d'empilement explicable XGBoost Explicable Extra Trees Processus Gaussien Forêt aléatoire géographiquement pondérée Ajustement fin de GPT Gradient Boosting Réseau d'attention sur graphe Réseau de neurones à graphes Unité récurrente à portes (GRU)Informer Isolation Forest Regroupement par K-moyennes Plus Proches Voisins (PPV)Distillation de connaissances Propagation d'étiquettes LightGBM LIME : Explications Locales Interprétables Agnostiques du Modèle Analyse discriminante linéaire (ADL)Régression linéaire (ML)Régression logistique (ML)Longformer / BigBird LoRA et PEFT LSTM Machine learning-assisted epigenome-wide association study GWAS assisté par apprentissage automatique Analyse métabolomique assistée par apprentissage automatique Analyse de la diversité du microbiome assistée par apprentissage automatique Analyse d'enrichissement de voies assistée par apprentissage automatique Machine learning-assisted RNA-seq differential expression Vote majoritaire Mélange d'experts Perceptron multicouche (MLP)Perceptron multicouche (MLP)Multinomial Logistic Regression N-BEATS N-HiTS Naive Bayes Recherche d'architecture neuronale ODE neuronale Online Bagging Forêt aléatoire en ligne PatchTST Classification d'images basée sur les pixels Arbre de décision régularisé Forêt Aléatoire Régularisée Ensemble d'empilement régularisé Robust Bagging Arbre de décision robuste Gradient Boosting Robuste LightGBM Robuste Forêt Aléatoire Robuste Empilement robuste ensembliste Ensemble de vote robuste Auto-attention multi-têtes Arbre de décision auto-supervisé Arborescence de gradient auto-supervisée Forêt aléatoire auto-supervisée Empilement auto-supervisé Bagging semi-supervisé Arbre de décision semi-supervisé FP-croissance semi-supervisé Forêt d'isolement semi-supervisée Forêt aléatoire semi-supervisée Empilement semi-supervisé Machine à vecteurs de support semi-supervisée XGBoost semi-supervisé Modèle séquence-à-séquence (Seq2Seq)SHAP (SHapley Additive exPlanations)Empilement Descente de gradient stochastique (SGD)Machine à vecteurs de support (Classification)Temporal Fusion Transformer TextCNN Transformeur (traitement du langage naturel)UMAP Vision Transformer Apprentissage visuel contrastif Ensemble par vote XGBoost

Une erreur sur cette page ? Signalez-la ou proposez une correction →

Lire la méthode complète

Method map

Sources

Comment citer cette page

Méthodes apparentées

Which method?

Référencée par