Concept

AdaBoost

AdaBoost (ou adaptive boosting) est, en intelligence artificielle et en apprentissage automatique, un méta-algorithme de boosting introduit par Yoav Freund et Robert Schapire. Il peut être utilisé en association avec de nombreux autres types d'algorithmes d'apprentissage afin d'en améliorer les performances. Les sorties des autres algorithmes (appelés classifieurs faibles) sont combinées en une somme pondérée qui représente la sortie finale du classeur boosté. AdaBoost est adaptatif dans le sens où les classeurs faibles subséquents sont ajustés en faveur des échantillons mal classés par les classeurs précédents. AdaBoost est notablement sensible aux données bruitées ou peu corrélées. Toutefois, dans certains problèmes, il peut s'avérer moins enclin au surapprentissage que d'autres algorithmes. Les sous-classeurs utilisés peuvent être faibles tant qu'ils proposent une performance au moins un peu supérieure à celle d'un classeur aléatoire, auquel cas il peut être prouvé que le modèle final converge vers un classeur fort. Tous les algorithmes d'apprentissage tendent à correspondre plus à certains types de problèmes qu'à d'autres, et ont typiquement de nombreux paramètres et configurations différents qu'il est nécessaire d'ajuster pour atteindre une performance optimale sur un ensemble d'apprentissage fourni. AdaBoost (avec des arbres de décision comme classeurs faibles) est souvent désigné comme le meilleur classeur clé-en-main. Adaboost repose sur la sélection itérative de classifieur faible en fonction d'une distribution des exemples d'apprentissage. Chaque exemple est pondéré en fonction de sa difficulté avec le classifieur courant. C'est un exemple de la méthode des poids multiplicatifs (multiplicative weights update method). Soit un ensemble d'observations. Notons les : où sont les caractéristiques de l'individu et la variable à prédire. On initialise le poids associé à , Pour : Trouver la fonction qui minimise l'erreur de classification en fonction des poids . C'est-à-dire qui vérifie le programme de minimisation suivant : est l'erreur du modèle.

Source officielle

https://fr.wikipedia.org/wiki/AdaBoost

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Cours associés (14)

CS-401: Applied data analysis

This course teaches the basic techniques, methodologies, and practical skills required to draw meaningful insights from a variety of data, with the help of the most acclaimed software tools in the data science world (pandas, scikit-learn, Spark, etc.) ...

MICRO-455: Machine learning I

Real-world engineering applications must cope with a large dataset of dynamic variables, which cannot be well approximated by classical or deterministic models. This course gives an overview of methods from Machine Learning for the analysis of non-linear, highly noisy and multi dimensional data

ENG-209: Data science pour ingénieurs avec Python

Ce cours propose une immersion progressive et complète dans le domaine de la Data Science à travers le langage Python. Il guide les étudiants depuis la manipulation de données brutes jusqu'à la modélisation et l'extraction de connaissances utiles à partir ...

Afficher plus

Séances de cours associées (30)

Adaboost: Booster les méthodes

Explique l'algorithme Adaboost pour construire des classificateurs forts à partir de faibles, en mettant l'accent sur l'amélioration des méthodes et la détection des visages.

Classifications structurées: Arbres de décision et renforcement

Explore les arbres de décision, l'élimination excessive, les techniques stimulantes et leurs applications pratiques dans la modélisation prédictive.

Arbres de décision et stimulation

Explore les arbres de décision dans l'apprentissage automatique, leur flexibilité, les critères d'impureté et introduit des méthodes de renforcement comme Adaboost.

Afficher plus

Unités associées (8)

IEL - Gestion

Laboratoire de vision par ordinateur

Laboratoire de traitement des signaux 5

Afficher plus

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Source officielle

https://fr.wikipedia.org/wiki/AdaBoost

À propos de ce résultat

Cours associés (14)

CS-401: Applied data analysis

MICRO-455: Machine learning I

ENG-209: Data science pour ingénieurs avec Python

Afficher plus

Séances de cours associées (30)

Adaboost: Booster les méthodes

Explique l'algorithme Adaboost pour construire des classificateurs forts à partir de faibles, en mettant l'accent sur l'amélioration des méthodes et la détection des visages.

Classifications structurées: Arbres de décision et renforcement

Explore les arbres de décision, l'élimination excessive, les techniques stimulantes et leurs applications pratiques dans la modélisation prédictive.

Arbres de décision et stimulation

Explore les arbres de décision dans l'apprentissage automatique, leur flexibilité, les critères d'impureté et introduit des méthodes de renforcement comme Adaboost.

Afficher plus

Publications associées (25)

A Data-Driven Approach to Modelling a Global Distribution of Ice Nucleating Particles

Abstract. Ice nucleating particles (INPs) are rare aerosols essential for cloud ice formation in the mixed-phase temperature range between -38 °C and 0 °C. Due to measurement challenges and limitations in instrument capabilities, the availability of atmospheric observations of INPs remains scarce in time and space. Consequently, no observation-based global distribution of INPs exists so far. This study applies a machine learning (gradient boosting) algorithm to predict the INP concentration over the mixed-p

Copernicus GmbH2026

Hyperlocal Weather Forecasting by Machine Learning: Findings, Results and Conclusions of the IEEE Region 8 Competition

Motivated by the need for climate-change resilience, this paper summarizes the results of an international hackathonstyle competition aimed at improving local weather forecasts using machine-learning post-processing of multiple forecast sources and historical data. The approaches and results of the top teams are presented and compared, including support vector regression (SVR), gradient boosting, k-nearest neighbors (KNN), long short-term memory (LSTM) networks, and transformerbased architectures. Each appr

Institute of Electrical and Electronics Engineers (IEEE)2026

Incremental update framework for multi-source low-carbon concrete prediction based on conditional tabular generative adversarial network, adaptive weighting, and experience replay

The introduction of new experimental data causes computational loss and reduces robustness of the concrete performance prediction model. To solve the mentioned problems caused by repeatedly tuning parameters and model retraining, this paper proposed an incremental update framework for multi-source low-carbon concrete datasets, integrating a Bayesian-optimization-based conditional tabular generative adversarial network (BO-CTGAN), a stacking ensemble model, adaptive weighting, and an experience replay mechan

Elsevier2026

Afficher plus

Personnes associées (32)

Touradj Ebrahimi

Touradj EBRAHIMI received his M.Sc. and Ph.D., both in Electrical Engineering, from the Swiss Federal Institute of Technology (EPFL), Lausanne, Switzerland, in 1989 and 1992 respectively. In 1993, he was a research engineer at the Corporate Research Laboratories of Sony Corporation in Tokyo, where he conducted research on advanced video compression techniques for storage applications. In 1994, he served as a research consultant at AT&T Bell Laboratories working on very low bitrate video coding. He is currently Professor at EPFL heading its Multimedia Signal Processing Group. He is also the Convenor of JPEG standardization Committee. He was also adjunct Professor with the Center of Quantifiable Quality of Service at Norwegian University of Science and Technology (NTNU)between 2008 and 2012. Prof. Ebrahimi has been the recipient of various distinctions and awards, such as the IEEE and Swiss national ASE award, the SNF-PROFILE grant for advanced researchers, Four ISO-Certificates for key contributions to MPEG-4 and JPEG 2000, and the best paper award of IEEE Trans. on Consumer Electronics . He became a Fellow of the international society for optical engineering (SPIE) in 2003. Prof. Ebrahimi has initiated more than two dozen National, European and International cooperation projects with leading companies and research institutes around the world. He is a co-founder of Genista SA, a high-tech start-up company in the field of multimedia quality metrics. In 2002, he founded Emitall SA, start-up active in the area of media security and surveillance. In 2005, he founded EMITALL Surveillance SA, a start-up active in the field of privacy and protection. He is or has been associate Editor with various IEEE, SPIE, and EURASIP journals, such as IEEE Signal Processing Magazine, IEEE Trans. on Image Processing, IEEE Trans. on Multimedia, EURASIP Image Communication Journal, EURASIP Journal of Applied Signal Processing, SPIE Optical Engineering Magazine. Prof. Ebrahimi is a member of Scientific Advisory Board of various start-up and established companies in the general field of Information Technology. He has served as Scientific Expert and Evaluator for Research Funding Agencies such as those of European Commission, The Greek Ministry of Development, The Austrian National Foundation for Scientific Research, The Portuguese Science Foundation, as well as a number of Venture Capital Companies active in the field of Information Technologies and Communication Systems. His research interests include still, moving, and 3D image processing and coding, visual information security (rights protection, watermarking, authentication, data integrity, steganography), new media, and human computer interfaces (smart vision, brain computer interface). He is the author or the co-author of more than 200 research publications, and holds 14 patents. Prof. Ebrahimi is a member of IEEE, SPIE, ACM and IS&T. See the URL below for more details: http://mmspl.epfl.ch

Sébastien Marcel

Enseignement et PhD Doctorant·es actuel·les Parsa Rahimi Noshanagh A co-dirigé les thèses EPFL de Fabien Cardinaux, Yann Rodriguez, Agnès Just, Guillaume Heusch, Anindya Roy, Venkatesh Bala Subburaman, Cosmin Atanasoaei, Laurent El Shafey, Ivana Chingovska, Tiago De Freitas Pereira, Amir Mohammadi, Alexander Unnervik, Hatef Otroshi Shahreza

François Fleuret

Nikolaos Stergiopoulos

Education MTE, Managing the Technology Enterprise Program (2000), IMD, Lausanne Ph.D. in Biomedical Engineering & Engineering Mechanics (1990) Iowa State University, Ames, Iowa. MS in Biomedical Engineering (1987) Iowa State University, Ames, Iowa. Diploma in Mechanical Engineering (1985) National Technical University of Athens. Professional Activities 2002 - present: Professor and director of LHTC 2010 - present: Founder and director of Rheon Medical SA, Préverenges, Switzerland 2008 - present: Founder and director of Antlia S.A., PSE-C, EPFL campus, Switzerland 1998 - 2007: Founder and Scientific Director of EndoArt S.A., Lausanne, Switzerland 1996 - 2002: Assistant professor at the Biomedical Engineering Laboratory, Swiss Federal Institute of Technology, Lausanne, Switzerland. 1991 - 1996: Research Associate at Swiss Federal Institute of Technology - Lausanne 1990 - 1991: Lecturer, Iowa State University

Ali Saeidi

Mihai Adrian Ionescu

D'origine et de nationalités roumaine et suisse, Mihai-Adrian Ionescu est né en 1965. Après le doctorat en Physique des Composants à Semiconducteurs de lInstitut National Polytechnique de Grenoble, M. Ionescu a travaillé comme chercheur post-doctoral au LETI-CEA Grenoble, sur la caractérisation des diélectriques low-k pour les technologies submicroniques CMOS. Après une courte période au sein du CNRS, comme chargé de recherche 1ere Classe il a effectué un séjour post-doctoral au Center for Integrated Systems, Stanford University, USA. Actuellement il est Professeur Nanoélectronique à lEcole Polytechnique Fédérale de Lausanne.

Samy Bengio

Expertise Algorithmes d'apprentissageTraitement de la parole automatiqueAuthentification de personnesTraitement multimodalTraitement de sequencesReseaux de neurones, support vector machinesModeles de markov caches, mixtures de gaussiennesetc Expertise Algorithmes d'apprentissageTraitement de la parole automatiqueAuthentification de personnesTraitement multimodalTraitement de sequencesReseaux de neurones, support vector machinesModeles de markov caches, mixtures de gaussiennesetc Mission Samy Bengio est cher

Jérôme Chenal

Expertise UrbanismePlanification urbaineGestion urbaineProcessus d Situation actuelle Directeur du Centre "Excellence in Africa "Directeur de la CEATProfesseur affilié UM6P Associations prof. et activités académiques Membre du Conseil d'administration de l'Université Senghor, Alexandrie (2025-2029)Directeur du Board of Directors de l'African Cities LabEditeur de l'African Cites JournalPrésident de la Biennale Africaine d'Architecture et d'urbanisme (BAAU)Médias Jérôme Chenal, la passion des villes et de l'A

Denis Gillet

Denis Gillet received the Diploma in Electrical Engineering from the Swiss Federal Institute of Technology in Lausanne (EPFL) in 1988, and the Ph.D. degree in Information Systems also from the EPFL in 1995. During 1992 he was appointed as Research Fellow at the Information Systems Laboratory of Stanford University in the United States. He is currently Maître d'enseignement et de recherche at the EPFL School of Engineering, where he leads the React research group. His current research interests include Technologies Enhanced Learning (TEL), Human Computer Interaction (HCI), Human Devices Interaction (HDI) and Optimal Coordination of Complex and Distributed Systems. Denis Gillet is affiliated at EPFL with the Center for Intelligent Systems and the Center for Digital Education.

Pascal Fua

Pascal Fua received an engineering degree from Ecole Polytechnique, Paris, in 1984 and the Ph.D. degree in Computer Science from the University of Orsay in 1989. He then worked at SRI International and INRIA Sophia-Antipolis as a Computer Scientist. He joined EPFL in 1996 where he is now a Professor in the School of Computer and Communication Science and heads the Computer Vision Laboratory. His research interests include shape modeling and motion recovery from images, analysis of microscopy images, and Augmented Reality. His research interests include shape modeling and motion recovery from images, analysis of microscopy images, and machine learning. He has (co)authored over 300 publications in refereed journals and conferences. He is an IEEE Fellow and has been an Associate Editor of IEEE journal Transactions for Pattern Analysis and Machine Intelligence. He often serves as program committee member, area chair, and program chair of major vision conferences and has cofounded three spinoff companies (Pix4D, PlayfulVision, and NeuralConcept).

Afficher plus

Unités associées (8)

IEL - Gestion

Laboratoire de vision par ordinateur

Laboratoire de traitement des signaux 5

Afficher plus

Concepts associés (4)

Apprentissage ensembliste

In statistics and machine learning, ensemble methods use multiple learning algorithms to obtain better predictive performance than could be obtained from any of the constituent learning algorithms alone. Unlike a statistical ensemble in statistical mechanics, which is usually infinite, a machine learning ensemble consists of only a concrete finite set of alternative models, but typically allows for much more flexible structure to exist among those alternatives.

Gradient boosting

Gradient boosting is a machine learning technique used in regression and classification tasks, among others. It gives a prediction model in the form of an ensemble of weak prediction models, i.e., models that make very few assumptions about the data, which are typically simple decision trees. When a decision tree is the weak learner, the resulting algorithm is called gradient-boosted trees; it usually outperforms random forest.

Boosting

Le boosting est un domaine de l'apprentissage automatique (branche de l'intelligence artificielle). C'est un principe qui regroupe de nombreux algorithmes qui s'appuient sur des ensembles de classifieurs binaires : le boosting optimise leurs performances. Le principe est issu de la combinaison de classifieurs (appelés également hypothèses). Par itérations successives, la connaissance d'un classifieur faible - weak classifier - est ajoutée au classifieur final - strong classifier.

Afficher plus

Publications associées (25)