« Empilement de modèles » : différence entre les versions

Dernière version du 5 mai 2025 à 15:16

Définition

Technique d'apprentissage automatique ensembliste qui permet de combiner les résultats issus des différents modèles d'un ensemble de modèles.

Compléments

L'empilement de modèles (en anglais, stacking) s'avère particulièrement utile lorsque les types de modèles contenus dans le projet sont très différents.

L'amplification du gradient (en anglais, gradient boosting), l'agrégation par ré-échantillonnage avec remise (en anglais, Bagging) sont d'autres méthodes pour combiner les résultats d'ensembles de modèles (par exemple, à partir de différents jeux de données utilisés pour l'entraînement des modèles).

Français

empilement de modèles

généralisation par empilement

empilement

Anglais

model stacking

stacking models

stacking ensemble

stacking

stacked models

stacked generalization

Sources

- Blogue CRIM - empilement de modèles

Thèse de Qi Wang - Multivariate group analyses for functional neuroimaging : conceptual and experimental advances - généralisation par empilement

Machine Learning Mastery - stacking ensemble, stacked generalization, stacking

[https://bradleyboehmke.github.io/HOML/stacking.html Hands-On Machine Learning with R by Bradley Boehmke & Brandon Greenwell - stacked models]

@@ Ligne 1 : / Ligne 1 : @@
 == Définition ==
-Le concept de l’empilement généralisé (« ’stacking ») se rencontre dans le domaine de l’exploration de données prédictif, et permet de combiner les prévisions issues de divers modèles. Il s’avère particulièrement utile lorsque les types de modèles contenus dans le projet sont divers.
+Technique d'[[apprentissage ensembliste|apprentissage automatique ensembliste]] qui permet de combiner les résultats issus des différents modèles d'un ensemble de modèles.
-Le « ’Boosting », le « ’Bagging » (« ’Voting ») constituent d’autres méthodes permettant de combiner les prévisions issues de différents modèles ou méthodes (par exemple, à partir de différents jeux de données utilisés pour l’apprentissage).
+== Compléments ==
+L'empilement de modèles (en anglais, ''stacking'') s'avère particulièrement utile lorsque les types de modèles contenus dans le projet sont très différents.
+<hr/>
+L'[[amplification du gradient]] (en anglais, ''gradient boosting''), l'[[agrégation par ré-échantillonnage avec remise]] (en anglais, ''Bagging'') sont d'autres méthodes pour combiner les résultats d'ensembles de modèles (par exemple, à partir de différents jeux de données utilisés pour l'entraînement des modèles).
 == Français ==
-'''empilement de modèles''' <small> masculin </small>
+'''empilement de modèles'''
-'''empilement généralisé''' <small> masculin </small>
+'''généralisation par empilement'''
-'''empilement''' <small> masculin </small>
+'''empilement'''
 == Anglais ==
+'''model stacking'''
+'''stacking models'''
+'''stacking ensemble'''
 '''stacking'''
+'''stacked models'''
+'''stacked generalization'''
+==Sources==
+[https://www.crim.ca/fr/blogue/manipuler-les-variables-categoriques-dans-un-jeu-de-donnees/ - Blogue CRIM - empilement de modèles]
+[https://theses.hal.science/tel-02966716v1/file/thesis_wangqi_ECM.pdf Thèse de Qi Wang - Multivariate group analyses for functional neuroimaging : conceptual and experimental advances - généralisation par empilement]
+[https://machinelearningmastery.com/stacking-ensemble-machine-learning-with-python/  Machine Learning Mastery - stacking ensemble, stacked generalization, stacking]
-<small>
+[https://bradleyboehmke.github.io/HOML/stacking.html Hands-On Machine Learning with R by
+Bradley Boehmke & Brandon Greenwell - stacked models]
-[https://www.statsoft.fr/concepts-statistiques/glossaire/s/stacking.html  Source : Statistica ]
+<!-- {{Modèle:Statistiques}} -->
-[[Catégorie:Scotty2]]
+[[Catégorie:Statistiques]]
-[[Category:Apprentissage profond]]
-[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

« Empilement de modèles » : différence entre les versions