Etude comparative des performances des méthodes ensemblistes

Application d'adaboosting et random forest aux bases de données binaire et multi-classes

Marcel Katulumba Mbiya Ngandu

52 pages, parution le 02/06/2022

Ajouter à une liste

Expédié sous 9 jours

Livraison à partir de 0,01€ dès 35€ d'achats
Pour une livraison en France métropolitaine

QUANTITÉ

Résumé

Les méthodes ensemblistes sont basées sur l'idée de combiner les prédictions de plusieurs classifieurs pour une meilleure généralisation et pour compenser les défauts éventuels de prédicteurs individuels.On distingue deux familles de méthodes : Méthodes parallèles (Bagging, Forêts aléatoires) dans lesquelles le principe est de faire la moyenne de plusieurs prédictions en espérant un meilleur résultat suite à la réduction de la variance de l'estimateur moyen. Méthodes séquentiels (Boosting) dans lesquelles les paramètres sont itérativement adaptés pour produire un meilleur mélange.Dans cet ouvrage nous affirmons que lorsque les membres d'un prédicteur commettent des erreurs différentes il est possible de réduire les exemples mal classés comparativement à un prédicteur unique. Les performances obtenues seront comparées en utilisant des critères comme le taux de classification, la sensibilité, la spécificité, le rappel, etc.

Caractéristiques techniques

	PAPIER
Éditeur(s)	Editions universitaires européennes
Auteur(s)	Marcel Katulumba Mbiya Ngandu
Parution	02/06/2022
Nb. de pages	52
Format	15 x 22
Couverture	Broché
Poids	85g
EAN13	9783841732286