L'apprentissage en groupe
Un paradigme d'apprentissage automatique dans lequel plusieurs modèles sont entraînés et combinés pour résoudre le même problème, améliorant ainsi les performances globales.
Définition
Combine divers apprenants de base (arbres, réseaux neuronaux) via des stratégies telles que l'ensachage, le boost ou l'empilement pour réduire la variance et les biais. Les ensembles nécessitent une gestion minutieuse de la diversité, un étalonnage des sorties combinées et des contrôles de gouvernance pour garantir l'interprétabilité et l'efficacité des ressources. Ils sont souvent plus performants que les modèles individuels, mais nécessitent davantage de calcul et une surveillance robuste de chaque composant.
Exemple concret
Un service de gestion des risques de crédit utilise un ensemble empilé, combinant une régression logistique, une forêt aléatoire et un réseau neuronal, pour évaluer les demandes de prêt. L'ensemble améliore l'ASC de 5 % par rapport à n'importe quel modèle unique. La gouvernance impose des tableaux de bord de surveillance distincts pour chaque modèle de base afin d'identifier rapidement les défaillances des composants.
.svg)
