Ensemble par vote
Un ensemble par vote entraîne plusieurs classifieurs diversifiés indépendamment et combine leurs prédictions par un vote : le vote dur sélectionne la classe choisie par la majorité des modèles, tandis que le vote souple moyenne leurs estimations de probabilité de classe, éventuellement avec des poids par modèle. La combinaison surpasse généralement tout membre individuel et ne nécessite aucune formation supplémentaire une fois les modèles de base ajustés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
+24 de plus
Sources
- Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
- Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Voting Ensemble (Majority and Weighted Voting of Multiple Classifiers). ScholarGate. https://scholargate.app/fr/machine-learning/voting-ensemble
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Bagging (Bootstrap Aggregating)Apprentissage automatique↔ comparer
- BoostingApprentissage automatique↔ comparer
- Extra TreesApprentissage automatique↔ comparer
- Forêt AléatoireApprentissage automatique↔ comparer
- EmpilementApprentissage automatique↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →