Construction D'un Modele Base Sur La Foret Aleatoire

Ce travail s'inscrit dans le cadre de l'apprentissage statistique des données pour le développement d'un modèle. Plus spécifiquement, il est consacré à l'étude des forêts aléatoires qui constituent l'un des plus récents algorithmes de la famille des méthodes de classification des formes. Un grand avantage de la forêt aléatoire est qu'elle peut être utilisée à la fois pour les problèmes de classification et de régression, qui constituent la majorité des systèmes d'apprentissage automatique actuels. Dans ce travail, nous nous sommes basé sur les données liées au coronavirus pour générer et évaluer le modèle proposé, nous avons choisi les forêts aléatoires, qui appliquent le vote majoritaire uniforme d'arbres de décision afin de dégager une prédiction optimale, pour classifier des patients ayant étés testés positif ou négatif au coronavirus. Les données ont servis à l'échantillon d'entrainement en vue de concevoir un modèle décisionnel.

Autorentext

Informático. Desde el punto de vista académico, tiene un máster en Ciencias Matemáticas por el Instituto Africano de Ciencias Matemáticas de Kigali (Ruanda) y una licenciatura en Ingeniería Informática por la Universidad de Mbujimayi. Actualmente enseña en la Universidad de Mbujimayi, la Universidad Oficial de Mbujimayi, la Universidad Franco-Americana,...

Klappentext

Ce travail s'inscrit dans le cadre de l'apprentissage statistique des données pour le développement d'un modèle. Plus spécifiquement, il est consacré à l'étude des forêts aléatoires qui constituent l'un des plus récents algorithmes de la famille des méthodes de classification des formes. Un grand avantage de la forêt aléatoire est qu'elle peut être utilisée à la fois pour les problèmes de classification et de régression, qui constituent la majorité des systèmes d'apprentissage automatique actuels. Dans ce travail, nous nous sommes basé sur les données liées au coronavirus pour générer et évaluer le modèle proposé, nous avons choisi les forêts aléatoires, qui appliquent le vote majoritaire uniforme d'arbres de décision afin de dégager une prédiction optimale, pour classifier des patients ayant étés testés positif ou négatif au coronavirus. Les données ont servis à l'échantillon d'entrainement en vue de concevoir un modèle décisionnel.