Chapitre VI
Machine Learning
92
Figure VI-3 Structure générale d’un arbre de décision
VI.2.5.5. Forets d’arbres de décision
Les Forets d’arbres de décision (Random Forests) est une technique d'apprentissage automatique
supervisé très populaire en raison de sa précision, sa simplicité et sa flexibilité. Cet algorithme
peut être utilisé pour résoudre les problèmes de régression et de classification. Son principe de
fonctionnement repose sur la combinaison des résultats d’un grand nombre d'arbres de décision
aléatoires (Figure VI-4), pour améliorer la précision des prédictions. (BELAIDI N. 2022).
Figure VI-4 Structure des Forets d’arbres de décision (Maaz et al .2022)
VI.2.5.6. Amplification de Gradient
L'amplification de gradient (Gradient Boosting) est un algorithme d'apprentissage automatique qui
vise à trouver les relations non linéaires entre la variable cible et les variables indépendantes. Il
offre une facilité d'utilisation en traitant les valeurs manquantes, aberrantes et catégorielles sans
traitement spécial. Le Gradient Boosting permet également d'améliorer la précision des prédictions
en combinant plusieurs modèles faibles (Figure VI-5). Il se base sur l'ajout itératif de modèles à
un ensemble de modèles existants, en se concentrant sur les erreurs commises par ces derniers
(TOMONORI M.2022).