Forêt Aléatoire Robuste
La Forêt Aléatoire Robuste (Robust Random Forest) étend l'ensemble standard de Forêt Aléatoire en intégrant des mécanismes qui réduisent l'influence des valeurs aberrantes, du bruit d'étiquetage et des observations corrompues. Plutôt que de traiter toutes les instances d'entraînement de manière égale, elle applique des stratégies de pondération ou de filtrage afin que les échantillons bruyants ou anormaux contribuent moins aux divisions des arbres individuels, produisant des prédictions qui restent fiables même lorsque la qualité des données est imparfaite.
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.
+3 more
Sources
- Chen, S., & Guestrin, C. (2019). Robust Random Forest. In Proceedings of the 36th International Conference on Machine Learning (ICML). Also see: Gao, W., & Zhou, Z.-H. (2013). On the Doubt about Margin Explanation of Boosting. Artificial Intelligence, 203, 1–18. link ↗
- Random Forest. Wikipedia. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fr/machine-learning/robust-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.
- Bagging (Bootstrap Aggregating)Apprentissage automatique↔ compare
- Arbre de décisionApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →