Forêts aléatoires

Ensemble (bagging) d'un grand nombre d'arbres de décision entraînés sur des sous-échantillons aléatoires des données et des variables

• Réduction du surapprentissage propre aux arbres de décision individuels par agrégation de nombreux arbres diversifiés
• Robustesse et bonnes performances par défaut sur de nombreux types de données tabulaires
• Estimation de l'importance relative des variables explicatives dans la prédiction

Moins interprétable qu'un arbre de décision unique : la source relève qu'« avec la méthode des arbres aléatoires, on perd l'aspect visuel de n'avoir qu'un seul arbre ». Le surcoût en calcul et en mémoire et la comparaison de performance avec les méthodes de gradient boosting, souvent avancés, ne sont attestés par aucune source de la fiche — celle-ci note au contraire que le tirage aléatoire d'un sous-ensemble d'attributs réduit le temps de calcul.

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.Leo Breiman, « Random Forests », Machine Learning 45(1), 2001primaire
2. 2.Forêt d'arbres décisionnels — Wikipédiasecondaire07/09/2026

• Esther Duflo × Forêts aléatoiresEssais randomisés en économie du développement et hétérogénéité des effets

  Fiche humaine : Esther Duflo

• Astrobiologie et exoplanètes × Forêts aléatoiresPrésélection automatisée de candidats exoplanètes

  Fiche humaine : Astrobiologie et exoplanètes

• Joseph Stiglitz × Forêts aléatoiresAsymétrie d'information et opacité des modèles de scoring

  Fiche humaine : Joseph Stiglitz

• Populisme de droite × Forêts aléatoiresAnalyse quantitative des déterminants du vote et des clientèles électorales

  Fiche humaine : Populisme de droite

• Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
• 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)
• 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)