CHAPITRE VI Application du Machine Learning pour l’étude du franchissement
95
VI.2.4.1.2
Modèle de type Wiener
Comme le montre la Figure VI-3, le modèle de type Wiener est composé d’un bloc dynamique
linéaire, qui est suivi par un élément non linéaire statique.
Figure VI-3 Structure de type Wiener.
VI.2.5. XGBOOST
XGBOOST (Extreme Gradient Boosting) représente une implémentation de Gradient Boosting
basée sur les arbres de décision. C’est l’une des méthodes d’apprentissage supervisé les plus
rapides et à grandes performances pouvant s’entrainer sur des grands ensembles de données. Il
utilise trois techniques à savoir : Gradient Boosting, Stochastique Gradient Boosting et
Regularized Gradient Boosting. Il peut être utilisé pour la classification et la régression.
Un modèle addition la prédiction de plusieurs arbres ensemble, écrit sous cette forme (xgboost
developers., 2021) :
Équation VI-4
Avec une fonction objective à optimiser donnée par
:
Équation VI-5
Une fonction objective optimiser nous donne :
Équation VI-6