Forêt Aléatoire Régularisée
La Forêt Aléatoire Régularisée (RRF), introduite par Deng et Runger en 2012, étend la Forêt Aléatoire standard en ajoutant une pénalité qui décourage les divisions sur des caractéristiques non encore utilisées dans l'ensemble. Cette régularisation intégrée produit des sous-ensembles de caractéristiques plus épars et moins redondants, rendant le modèle particulièrement précieux lorsque la sélection de caractéristiques est aussi importante que la précision prédictive.
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
- Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8. DOI: 10.1109/IJCNN.2012.6252640 ↗
- Deng, H., & Runger, G. (2013). Gene selection with guided regularized random forest. Pattern Recognition, 46(12), 3483–3489. DOI: 10.1016/j.patcog.2013.05.018 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Random Forest (RRF). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-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
- Extra TreesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Arbre de décision régulariséApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →