Résumé:
En apprentissage automatique (Machine Learning, ML) un modèle ensembliste consiste
en un ensemble de modèles « entrainés » (t.q. des réseaux de neurones, des arbres de
décision…etc).
En classification, un modèle ensembliste combine les prédictions d’un ensemble de
modèles pour une prédiction plus précise. Le bagging est une méthode ensembliste qui
consiste à agréger les prédictions d’un nombre importants de modèles. Des recherches
récentes ont montré que les modèles qui suivent un principe de bagging (tels que les forêts aléatoires) sont très performants.
L’objectif du projet est d’abord de faire un tour sur des méthodes ensemblistes (Bagging,
Boosting, Stacking) ensuite de mettre l’accent sur le bagging.
Le principe de bagging sera appliqué à un dataset réel en utilisant le module Scikit Learn
(Sklearn) sous Python. Des expérimentations seront menées afin d’évaluer les résultats
obtenus.
