Détail de l'auteur
Auteur Asma HAMMYANI |
Documents disponibles écrits par cet auteur (1)
Affiner la recherche Interroger des sources externes
Amélioration des forêts aléatoires : Application au diagnostic médical. / Asma HAMMYANI
Titre : Amélioration des forêts aléatoires : Application au diagnostic médical. Type de document : texte imprimé Auteurs : Asma HAMMYANI, Auteur ; Soumia ALLIOUA, Auteur Année de publication : 2013 Importance : 50p. Présentation : ill. Format : 30cm. Langues : Français (fre) Mots-clés : Mots clés
Forêts Aléatoires arbre de décision critère de segmentation,vote majoritaire vote
pondéré UCI Machine Learning.
Keywords
Random forests, decision tree segmentation criterion majority voting weighted voting UCI Machine Learning Database.Résumé : Résumé
Forêts Aléatoires (RF) est une technique de prévision d'ensemble réussie qui utilise
le vote majoritaire ou une moyenne en fonction de la combinaison. Cependant,
il est clair que chaque arbre dans une forêt aléatoire peut avoir une contribution
diérente au traitement d'une certaine instance ;
Dans ce projet, nous démontrons que les performances de prédiction des RF's
peuvent encore être améliorées par le remplacement de l'indice de GINI par un
autre indice (twoing ou deviance). Nos expériences démontrent également que le
vote pondéré donne de meilleurs résultats par rapport au vote majoritaire .
Abstract
Random Forests (RF) are a successful ensemble prediction technics that used
majority voting or averaging as a combination function. However, it is clear that
each tree in random forests may have a dierent contribution in processing a certain
instance.
In this project, we show that the prediction performances of RF are improved by
replacing GINI index with another index (twoing or deviance). Our experiments also
demonstrate that the weighted voting gives better results than majority votingAmélioration des forêts aléatoires : Application au diagnostic médical. [texte imprimé] / Asma HAMMYANI, Auteur ; Soumia ALLIOUA, Auteur . - 2013 . - 50p. : ill. ; 30cm.
Langues : Français (fre)
Mots-clés : Mots clés
Forêts Aléatoires arbre de décision critère de segmentation,vote majoritaire vote
pondéré UCI Machine Learning.
Keywords
Random forests, decision tree segmentation criterion majority voting weighted voting UCI Machine Learning Database.Résumé : Résumé
Forêts Aléatoires (RF) est une technique de prévision d'ensemble réussie qui utilise
le vote majoritaire ou une moyenne en fonction de la combinaison. Cependant,
il est clair que chaque arbre dans une forêt aléatoire peut avoir une contribution
diérente au traitement d'une certaine instance ;
Dans ce projet, nous démontrons que les performances de prédiction des RF's
peuvent encore être améliorées par le remplacement de l'indice de GINI par un
autre indice (twoing ou deviance). Nos expériences démontrent également que le
vote pondéré donne de meilleurs résultats par rapport au vote majoritaire .
Abstract
Random Forests (RF) are a successful ensemble prediction technics that used
majority voting or averaging as a combination function. However, it is clear that
each tree in random forests may have a dierent contribution in processing a certain
instance.
In this project, we show that the prediction performances of RF are improved by
replacing GINI index with another index (twoing or deviance). Our experiments also
demonstrate that the weighted voting gives better results than majority votingExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité BFST245 MS/006.3-38/01 thèse Salle d'accès libre 006.3 INTELLIGENCE Exclu du prêt