Les forêts aléatoires avec R
La 4e de couv. indique : "Les forêts aléatoires sont une méthode d'apprentissage statistique qui fait aujourd'hui partie des outils centraux des statisticiens ou autres data scientists. Introduites par Leo Breiman en 2001, elles sont depuis intensément utilisées dans de nombreux domai...
שמור ב:
| Auteurs principaux: | , |
|---|---|
| פורמט: | Livre papier |
| שפה: | Français |
| יצא לאור: |
Rennes :
Presses universitaires de Rennes
2019.
|
| סדרה: | Pratique de la statistique
|
| נושאים: | |
| Autres localisations: | Voir dans le Sudoc |
| LEADER | 05384nam a22002657a 4500 | ||
|---|---|---|---|
| 001 | 700785 | ||
| 008 | 190312q20192019xxe ||| |||| 00| 0 fre d | ||
| 009 | PPN234532459 | ||
| 020 | |a 9782753577107 (br.) : |c 19 EUR | ||
| 024 | |a 9782753577107 | ||
| 041 | 0 | |a fre |f fre | |
| 082 | |a 519.5 | ||
| 100 | 1 | |a Genuer, Robin, |d 1983- | |
| 245 | 1 | 0 | |a Les forêts aléatoires avec R |c Robin Genuer et Jean-Michel Poggi. |
| 260 | |a Rennes : |b Presses universitaires de Rennes, |c 2019. | ||
| 300 | |a 1 vol. (VI-106 p.) : |b ill., graph., couv. ill. en coul. ; |c 24 cm. | ||
| 490 | 0 | |a Pratique de la statistique |x 1295-1765 | |
| 504 | |a Bibliogr. p. [101]-106. Index | ||
| 505 | 0 | |a P. i -- Remerciements -- P. iii -- Avant-propos -- P. 1 -- 1 Introduction -- P. 1 -- 1.1 Préambule -- P. 2 -- 1.2 Notations -- P. 3 -- 1.3 Objectifs statistiques -- P. 4 -- 1.4 Packages -- P. 5 -- 1.5 Jeux de données -- P. 5 -- 1.5.1 Exemple fil rouge : détection de spams -- P. 6 -- 1.5.2 Pollution par l'ozone -- P. 7 -- 1.5.3 Données génomiques pour une étude vaccinale -- P. 7 -- 1.5.4 Pollution par les poussières -- P. 9 -- 2 Arbres CART -- P. 9 -- 2.1 Le principe -- P. 10 -- 2.2 Construction de l'arbre maximal -- P. 13 -- 2.3 Élagage -- P. 16 -- 2.4 Le package rpart -- P. 24 -- 2.5 Découpes concurrentes et de substitution -- P. 24 -- 2.5.1 Découpes compétitives ou concurrentes -- P. 24 -- 2.5.2 Découpes de substitution -- P. 26 -- 2.5.3 Interprétabilité -- P. 28 -- 2.6 Exemples -- P. 28 -- 2.6.1 Prédire la concentration d'ozone -- P. 31 -- 2.6.2 Analyser des données génomiques -- P. 35 -- 3 Forêts aléatoires -- P. 35 -- 3.1 Principe général -- P. 36 -- 3.1.1 Instabilité d'un arbre -- P. 39 -- 3.1.2 D'un arbre à un ensemble : le Bagging -- P. 41 -- 3.2 Forêts aléatoires Random Inputs -- P. 43 -- 3.3 Le package randomForest -- P. 45 -- 3.4 Erreur Out-Of-Bag -- P. 46 -- 3.5 Réglage des paramètres pour la prédiction -- P. 46 -- 3.5.1 Le nombre d'arbres ntree -- P. 47 -- 3.5.2 Le nombre de variables choisies à chaque noeud mtry -- P. 50 -- 3.6 Exemples -- P. 50 -- 3.6.1 Prédire la concentration d'ozone -- P. 53 -- 3.6.2 Analyser des données génomiques -- P. 56 -- 3.6.3 Analyser la pollution par les poussières -- P. 61 -- 4 Importance des variables -- P. 61 -- 4.1 Notions d'importance -- P. 65 -- 4.2 Comportement de l'importance -- P. 66 -- 4.2.1 Comportement vis-à-vis de n et p -- P. 67 -- 4.2.2 Comportement vis-à-vis de groupes de variables corrélées -- P. 68 -- 4.3 Diversité des arbres et importance -- P. 70 -- 4.4 Influence des paramètres et importance -- P. 72 -- 4.5 Exemples -- P. 72 -- 4.5.1 Une illustration par simulation en régression -- P. 74 -- 4.5.2 Prédire la concentration d'ozone -- P. 77 -- 4.5.3 Analyser des données génomiques -- P. 79 -- 4.5.4 Pollution de l'air par les poussières : quelle part locale ? -- P. 83 -- 5 Sélection de variables -- P. 83 -- 5.1 Généralités -- P. 85 -- 5.2 Le principe -- P. 86 -- 5.3 La procédure -- P. 87 -- 5.4 Le package VSURF -- P. 94 -- 5.5 Réglage des paramètres pour la sélection -- P. 96 -- 5.6 Exemples -- P. 96 -- 5.6.1 Prédire la concentration d'ozone -- P. 97 -- 5.6.2 Analyser des données génomiques -- P. 101 -- Bibliographie -- P. 107 -- Index des fonctions -- P. 108 -- Index | |
| 520 | |a La 4e de couv. indique : "Les forêts aléatoires sont une méthode d'apprentissage statistique qui fait aujourd'hui partie des outils centraux des statisticiens ou autres data scientists. Introduites par Leo Breiman en 2001, elles sont depuis intensément utilisées dans de nombreux domaines d'application (comme l'écologie, la prévision de la pollution ou encore la santé), du fait des très bonnes performances de l'algorithme en prédiction, mais aussi de leur généralité, n'imposant que très peu de restrictions sur la nature des données. En effet, elles sont adaptées aussi bien à des problèmes de classification supervisée qu'à des problèmes de régression. De plus, elles permettent de prendre en compte un mélange de variables explicatives qualitatives et quantitatives. Enfin, elles sont capables de traiter des données standards pour lesquelles le nombre d'observations est plus élevé que le nombre de variables, mais se comportent également très bien dans le cas de données de grande dimension où le nombre de variables est très important. Ce livre est une présentation statistique des forêts aléatoires, orientée vers les applications. Il s'adresse donc en premier lieu aux étudiants de filières comportant des enseignements de la statistique mais aussi bien entendu aux praticiens du domaine. Pour fixer les idées sur le plan pédagogique, un niveau de licence scientifique est tout à fait suffisant pour tirer profit des concepts, méthodes et outils introduits. Sur le plan informatique, les prérequis sont modestes mais une initiation au langage R est utile pour s'approprier pleinement l'usage des forêts aléatoires" | ||
| 630 | |a R |n logiciel | ||
| 650 | |a Forêts d'arbres de décision | ||
| 650 | |a Statistique mathématique |x Informatique | ||
| 700 | 1 | |a Poggi, Jean-Michel, |d 1960- |4 aut | |
| 997 | |0 700785 |1 Livre papier |a Ressource papier |c 0/Orléans/ |c 1/Orléans/BU Droit, Economie, Gestion/ |c 1/Orléans/BU Sciences, Technologies, STAPS/ |z Orléans, BU Sciences, Technologies, STAPS, 519.5 GEN |z Orléans, BU Droit, Economie, Gestion, 519.5 GEN | ||