Arbre de décision robuste
Un arbre de décision robuste est une variante d'arbre de décision entraînée avec des critères de division ou des procédures d'entraînement modifiés, conçus pour réduire la sensibilité aux valeurs aberrantes, au bruit d'étiquetage et aux perturbations adverses. Plutôt que de minimiser des mesures d'impureté standard fortement affectées par des valeurs extrêmes, les variantes robustes utilisent des analogues statistiquement robustes ou une régularisation pour produire des divisions qui généralisent dans des conditions de données bruitées ou corrompues.
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
- Chen, H., & Nan, F. (2019). Robust Decision Trees Against Adversarial Examples. Proceedings of the 36th International Conference on Machine Learning (ICML), PMLR 97, 1006–1015. link ↗
- Hubert, M., & Debruyne, M. (2010). Minimum covariance determinant. Wiley Interdisciplinary Reviews: Computational Statistics, 2(1), 36–43. (background on robust estimation applied to tree splitting criteria) DOI: 10.1002/wics.61 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Decision Tree (Outlier-Resistant Tree Induction). ScholarGate. https://scholargate.app/fr/machine-learning/robust-decision-tree
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 RobusteApprentissage automatique↔ compare
- Forêt Aléatoire RobusteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →