Forêts aléatoires prudentes : une nouvelle stratégie de décision et quelques expériences - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Forêts aléatoires prudentes : une nouvelle stratégie de décision et quelques expériences

Résumé

Les forêts aléatoires sont une stratégie de classification efficace qui estime les probabilités a posteriori des classes en calculant la moyenne des probabilités fournies par les arbres. Lorsque les données d'entraînement sont peu nombreuses, cette estimation devient difficile. Le modèle de Dirichlet imprécis peut être utilisé pour rendre l'estimation robuste en fournissant des intervalles de probabilités en sortie de chaque arbre. Se pose alors la question de l'agrégation des ces intervalles. Nous proposons ici une nouvelle stratégie d'agrégation basée sur la théorie des fonctions de croyance. Nous proposons également d'attribuer des poids aux arbres en fonction de leur degré d'incertitude lors de la classification d'une nouvelle instance. Notre approche est comparée expérimentalement à l'approche de base (moyenne des intervalles) sur plusieurs jeux de données.
Fichier principal
Vignette du fichier
LFA2022_Forets_Aleatoires_Prudentes.pdf (134.35 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03895130 , version 1 (09-01-2023)

Identifiants

  • HAL Id : hal-03895130 , version 1

Citer

Haifei Zhang, Benjamin Quost, Marie-Hélène Masson. Forêts aléatoires prudentes : une nouvelle stratégie de décision et quelques expériences. 31ièmes Rencontres Francophones sur la Logique Floue et ses Applications (LFA 2022), Oct 2022, Toulouse, France. pp.95-101. ⟨hal-03895130⟩
44 Consultations
38 Téléchargements

Partager

Gmail Facebook X LinkedIn More