Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Arbres de décision: Classification

Dans cours

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 ...

Description

Cette séance de cours couvre les arbres de décision pour la classification, l'apprentissage supervisé, la mesure de la qualité d'une scission à l'aide de l'entropie, et le concept de gain d'information. Il comprend également une démonstration dans Tableau & KNIME, un codage à chaud, l'optimisation de l'hyperparamètre et l'utilisation de forêts aléatoires. L'instructeur explique le processus d'optimisation des hyperparamètres, l'encodage à chaud avec scikit-learn et pandas, et l'importance de choisir le bon modèle. La séance de cours se termine par un aperçu de la validation croisée, de l'évaluation du modèle et des paramètres sklearn.tree.DécisionTreeClassifier.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e·s (2)

Jean-Philippe Pellet

Olivier Verscheure

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Arbre de décision (apprentissage)

Théorie de l'information: Capacité d'un canal

Concepts associés (32)

Arbre de décision

vignette| Arbre de décision Un arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches (les « feuilles » de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. L'arbre de décision est un outil utilisé dans des domaines variés tels que la sécurité, la fouille de données, la médecine, etc. Il a l'avantage d'être lisible et rapide à exécuter.

Arbre de décision (apprentissage)

L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique. Dans ces structures d'arbre, les feuilles représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent.

Forêt d'arbres décisionnels

vignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.

Validation croisée

La validation croisée () est, en apprentissage automatique, une méthode d’estimation de fiabilité d’un modèle fondée sur une technique d’échantillonnage. Supposons posséder un modèle statistique avec un ou plusieurs paramètres inconnus, et un ensemble de données d'apprentissage sur lequel on peut apprendre (ou « entraîner ») le modèle. Le processus d'apprentissage optimise les paramètres du modèle afin que celui-ci corresponde le mieux possible aux données d'apprentissage.

Information gain (decision tree)

In information theory and machine learning, information gain is a synonym for Kullback–Leibler divergence; the amount of information gained about a random variable or signal from observing another random variable. However, in the context of decision trees, the term is sometimes used synonymously with mutual information, which is the conditional expected value of the Kullback–Leibler divergence of the univariate probability distribution of one variable from the conditional distribution of this variable given the other one.

Afficher plus

Séances de cours associées (56)

Construire un arbre de décision

Couvre les arbres de décision de construction pour classer les champignons comme toxiques ou non.

Arbres de décision: Induction et attributs

Explore les arbres de décision, la sélection des attributs, le compromis biais-variance et les méthodes d'ensemble dans l'apprentissage automatique.

Apprentissage supervisé : Arbres de décision

Couvre l'apprentissage supervisé avec des arbres de décision et la sélection de caractéristiques pour la classification.

Évaluation du modèle et réglage de l'hyperparamètre

Explore l'évaluation des modèles, le réglage hyperparamétrique et les stratégies de rééchantillonnage dans l'apprentissage automatique.

Forêts décisionnelles : structure et formation

Couvre les forêts de décision, la formation, les apprenants faibles, l'entropie, la stimulation, l'estimation de pose 3D et les applications pratiques.

Afficher plus

Concepts associés (32)

Arbre de décision

Arbre de décision (apprentissage)

Forêt d'arbres décisionnels

Validation croisée

Information gain (decision tree)

Afficher plus