Agrégation par ré-échantillonnage avec remise
Définition
Méta-algorithme d'apprentissage ensembliste qui ré-échantillonne au hasard avec remise les données d'entraînement pour créer un ensemble de modèles où chaque sous-échantillon correspond à un modèle distinct.
Compléments
Le ré-échantillonnage désigne le processus de création d'un nouvel échantillon de données à partir d'un jeu de données existant, souvent avec remise.
Note: le résultat sera obtenu par le calcul de la moyenne pour une régression (prévision d'un nombre) ou par un vote majoritaire dans le cas d'une classification (prévision d'une classe).
Typiquement, le ré-échantillonnage ensembliste aide à réduire la variance et le surapprentissage. L'algorithme de la forêt aléatoire (en anglais, random forest) est une application très utilisée du ré-échantillonnage avec remise ensembliste.
Voir: Ré-échantillonnage avec remise
L'empilement de modèles (en anglais, stacking) et l'amplification de gradient (en anglais, gradient boosting) 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
ré-échantillonnage avec remise ensembliste
ré-échantillonnage avec remise
agrégation par la méthode de Cyrano
agrégation en circuit fermé
agrégation bootstrap
Anglais
bagging
bootstrap aggregation
bootstrap aggregating
gradient bagging
Sources
Contributeurs: Claude Coulombe, Jacques Barolet, Julie Roy, Patrick Drouin, wiki
