Forêt d'arbres décisionnels

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher
Page d'aide sur l'homonymie Pour les articles homonymes, voir Arbre (homonymie).

Les forêts d'arbres décisionnels[1] (ou forêts aléatoires de l'anglais « Random decision forest ») ont été formellement proposées en 2001 par Leo Breiman et Adèle Cutler. Elles font partie des techniques d'apprentissage automatique. Cet algorithme combine les concepts de sous-espaces aléatoires et de « bagging ». L'algorithme des forêts d'arbres décisionnels effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents.

Algorithme[modifier | modifier le code]

La base du calcul repose sur l'apprentissage par arbre de décision. La proposition de Breiman[2] vise à corriger plusieurs inconvénients connus de la méthode initiale, comme la sensibilité des arbres uniques à l'ordre des prédicteurs, en calculant un ensemble de {B} arbres partiellement indépendants.

Une présentation rapide de la proposition[3] peut s'exprimer comme suit :

  1. Créer {B} nouveaux ensembles d'apprentissage par un double processus d'échantillonnage :
    1. sur les observations, en utilisant un tirage avec remise d'un nombre {N} d'observations identique à celui des données d'origine (technique connue sous le nom de bootstrap),
    2. et sur les {p} prédicteurs, en n'en retenant qu'un échantillon de cardinal m<\sqrt{p} (la limite n'est qu'indicative).
  2. Sur chaque échantillon, on entraîne un arbre de décision selon une des techniques connues, en limitant sa croissance par validation croisée.
  3. On stocke les {B} prédictions de la variable d'intérêt pour chaque observation d'origine.
  4. La prédiction de la forêt aléatoire est alors un simple vote majoritaire (Ensemble learning).

Le principal revers de cette méthode est que l'on perd l'aspect visuel des arbres de décision uniques.

Voir aussi[modifier | modifier le code]

Le modèle uplift est une application des forêts d'arbres décisionnels pour la détection des populations sensibles aux opérations de marketing ciblées.

Liens externes[modifier | modifier le code]

Logiciels[modifier | modifier le code]

  • Programme RF original de Breiman et Cutler
  • Random Jungle, une mise en œuvre rapide (C++, calcul parallèle, structures creuses) pour des données sur des espaces de grandes dimensions
  • Paquetage randomForest pour R, module de classification et de régression basée sur une forêt d'arbres à l'aide de données aléatoires. Basé sur le programme original en Fortran de Breiman et Cutler.
  • STATISTICA Forêts Aléatoires est un module dédié de forêts d'arbres décisionnels intégré dans STATISTICA Data Miner.

Notes[modifier | modifier le code]

(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Random forest » (voir la liste des auteurs).

  1. Robert Nisbet, John Elder, Gary Miner, Handbook for Statistical Analysis And Data Mining, Academic Press, Page 247 Edition 2009
  2. (en) Leo Breiman, « Random Forests », Machine Learning, vol. 45,‎ , p. 5-32.
  3. (fr) Pirmin Lemberger, Marc Batty, Médéric Morel et Jean-Luc Raffaëlli, Big Data et Machine Learning, Dunod,‎ , pp 130-131.

Bibliographie[modifier | modifier le code]

(en) Breiman, Leo, « Statistical Modeling: The Two Cultures », Statistical Science, vol. 16, no 3,‎ , p. 199-231 (lire en ligne).