Arbres de décision et forêts aléatoires | Decision Trees and Random Forests (DTRF)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".