Amélioration des forêts aléatoires : Application au diagnostic médical.

Abstract

Forêts Aléatoires (RF) est une technique de prévision d'ensemble réussie qui utilise le vote majoritaire ou une moyenne en fonction de la combinaison. Cependant, il est clair que chaque arbre dans une forêt aléatoire peut avoir une contribution di érente au traitement d'une certaine instance ; Dans ce projet, nous démontrons que les performances de prédiction des RF's peuvent encore être améliorées par le remplacement de l'indice de GINI par un autre indice (twoing ou deviance). Nos expériences démontrent également que le vote pondéré donne de meilleurs résultats par rapport au vote majoritaire . Abstract Random Forests (RF) are a successful ensemble prediction technics that used majority voting or averaging as a combination function. However, it is clear that each tree in random forests may have a di erent contribution in processing a certain instance. In this project, we show that the prediction performances of RF are improved by replacing GINI index with another index (twoing or deviance). Our experiments also demonstrate that the weighted voting gives better results than majority voting