Arbres de décision et forêts aléatoires | Decision Trees and Random Forests (DTRF)
Notice bibliographique
Résumé
Nous verrons dans ce tutoriel comment un algorithme d’arbre décisionnel permet de faire des prédictions. Ce tutoriel comporte trois carnets, chacun traitant d’une application différente des arbres décisionnels et de l’algorithme connexe de forêt aléatoire. Une forêt aléatoire est en fait un regroupement d’arbres décisionnels. Dans le Carnet 1 - Arbres de décision, nous analyserons un jeu de données relatives aux iris, un genre de fleur regroupant environ 300 espèces de plantes de la famille des iridacées, très populaires dans les jardins, peu importe la zone thermique. Il s’agit de plusieurs espèces végétales dont l’identification manuelle prendrait beaucoup de temps. Nous souhaiterions donc générer un modèle qui nous aidera à prédire la classe à laquelle une iris appartient, en fonction de ses caractéristiques. Dans le Carnet 2, nous élargirons le modèle d’arbre décisionnel au modèle de forêt aléatoire, qui regroupe en fait plusieurs arbres décisionnels traitant différents blocs de données. Le modèle cumule les résultats des différents arbres pour faire des prévisions plus précises, le résultat généré par la forêt aléatoire correspondant à la classe sélectionnée par le plus grand nombre d’arbres décisionnels. Dans le carnet 3 nous verrons dans ce tutoriel comment les classificateurs à forêt aléatoire peuvent améliorer les prédictions face à des jeux de données bruitées alors que de simples modèles d’apprentissage-machine, comme celui de régression linéaire, ne sont pas à la hauteur. Comme jeu de données bruitées, nous utiliserons le jeu de données épurées dont nous nous sommes servis pour le tout premier tutoriel sur la préparation de données à des fins d’apprentissage-machine. This machine learning training explores the dual nature of Decision Trees, demonstrating a fascinating interplay between human intuition and mathematical optimization. It delves into how decision trees use simple, hierarchical branching based on key features, mirroring how our minds categorize objects using decisive traits. The training comprises three notebooks, each focusing on distinct applications of the Decision Tree and its associated Random Forest algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».