Arbres de décision

Structure arborescente de règles de décision successives fondées sur les valeurs des variables explicatives

• Classification et régression par une séquence de règles de décision facilement interprétables
• Capacité à modéliser des relations non linéaires et des interactions entre variables sans transformation préalable
• Base des méthodes d'ensemble plus puissantes (forêts aléatoires, gradient boosting)

Sujets au surapprentissage (overfitting) sur les données d'entraînement si non élagués correctement, et instables : une petite variation des données peut produire un arbre très différent, ce qui a motivé le développement des méthodes d'ensemble.

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

1. 1.Arbre de décision (apprentissage) — Wikipédiasecondaire07/09/2026

• Bureaucratie wébérienne × Arbres de décisionRationalité légale, règles impersonnelles et automatisation explicable de l'instruction

  Fiche humaine : Bureaucratie wébérienne

• Aristote × Arbres de décisionRaisonnement par règles explicites face à l'association statistique de motifs

  Fiche humaine : Aristote

• James M. Buchanan × Arbres de décisionRègles explicites de décision publique et contrôle des décideurs

  Fiche humaine : James M. Buchanan

• Conseil de l'Europe × Arbres de décisionExplicabilité des décisions automatisées et contentieux européen des droits

  Fiche humaine : Conseil de l'Europe

• Régime présidentiel × Arbres de décisionTraçabilité et imputabilité des décisions administratives sous séparation stricte des pouvoirs

  Fiche humaine : Régime présidentiel

• AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
• CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
• Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
• GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
• Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
• K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
• K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
• LSTMArchitecture développée par Sepp Hochreiter et Jürgen Schmidhuber (1997)