Accéder au contenu principal

Cours

Méthodes d’ensemble en Python

AvancéNiveau de compétence

Actualisé 10/2025

Commencer le cours gratuitement

PythonMachine Learning

4 h

15 vidéos

52 Exercices

4,050 XP

12,861

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

Poursuivez votre parcours en Machine Learning en explorant le formidable univers des méthodes d’apprentissage par ensemble ! Il s’agit d’une famille passionnante de techniques de Machine Learning qui combinent plusieurs algorithmes pour améliorer les performances et résoudre à grande échelle des problèmes complexes dans de nombreux secteurs. Les techniques d’ensemble remportent d’ailleurs régulièrement des compétitions en ligne de Machine Learning ! Dans ce cours, vous découvrirez des techniques d’ensemble avancées comme le bagging, le boosting et le stacking. Vous les appliquerez à des jeux de données réels à l’aide de bibliothèques Python de pointe pour le Machine Learning, telles que scikit-learn, XGBoost, CatBoost et mlxtend.

Prérequis

Linear Classifiers in Python Machine Learning with Tree-Based Models in Python

1

Combiner plusieurs modèles

Avez-vous du mal à déterminer lequel des modèles que vous avez construits est le meilleur pour votre problème ? Ne vous obstinez pas : utilisez-les tous ! Dans ce chapitre, vous apprendrez à combiner plusieurs modèles en un seul grâce au « Voting » et à l’« Averaging ». Vous les utiliserez pour prédire les notes d’apps sur le Google Play Store, déterminer si un Pokémon est légendaire, et identifier quels personnages vont mourir dans Game of Thrones !

Introduction aux méthodes d’ensemble

Explorer les données des applications Google

Prédire la note d’une application

Vote

Choisir le meilleur modèle

Construire votre premier ensemble

Évaluer votre ensemble

Voyage à Westeros

Prédire les décès dans GoT

Vote souple vs. vote dur

Commencer le chapitre

2

Bagging

Le bagging est la méthode d’ensemble qui se cache derrière des algorithmes de Machine Learning puissants comme les forêts aléatoires. Dans ce chapitre, vous verrez la théorie de cette technique et construirez vos propres modèles de bagging avec scikit-learn.

La force des modèles « faibles »

Arbres de décision restreints et non restreints

Arbre de décision « faible »

Agrégation par bootstrap

Entraînement avec bootstrap

Une première tentative de bagging

BaggingClassifier : principes et fonctionnement

Bagging : la méthode scikit-learn

Vérifier le score out-of-bag

Paramètres du bagging : astuces et bonnes pratiques

Explorer les données UCI SECOM

Un modèle de bagging plus complexe

Ajuster les hyperparamètres du bagging

Commencer le chapitre

3

Boosting

Le boosting est une famille d’algorithmes d’ensemble qui inclut des modèles primés comme AdaBoost. Dans ce chapitre, vous étudierez ce modèle récompensé et l’utiliserez pour prédire les recettes de films primés ! Vous découvrirez aussi des algorithmes de gradient boosting comme CatBoost et XGBoost.

L’efficacité de l’apprentissage progressif

Découverte de la base de données de films

Explorer les caractéristiques des films

Prédire les recettes d’un film

Boosting pour la prédiction du revenu

Adaptive boosting : un modèle primé

Votre premier modèle AdaBoost

Régression AdaBoost basée sur des arbres

Tirer le meilleur parti d’AdaBoost

Gradient boosting

Retour sur les avis d’applications Google

Analyse de sentiments avec GBM

Variantes du gradient boosting

Prédire le revenu d’un film avec CatBoost

Concours de boosting : Light vs Extreme

Commencer le chapitre

4

Stacking

Prêt à voir comment tout s’empile ? Dans ce dernier chapitre, vous découvrirez la méthode d’ensemble appelée stacking. Vous apprendrez à l’implémenter avec scikit-learn ainsi qu’avec la bibliothèque mlxtend ! Vous appliquerez le stacking pour prédire la comestibilité des champignons nord-américains et vous reviendrez aux notes des apps Google avec cette approche plus avancée.

L’intuition derrière le stacking

Explorer le jeu de données sur les champignons

Prédire la comestibilité des champignons

k plus proches voisins pour les champignons

Créez votre premier ensemble empilé

Appliquer le stacking pour prédire les notes des applications

Construire le classifieur de stacking

Prédictions empilées pour les notes d’apps

Passons à mlxtend !

Une première tentative avec mlxtend

Retour à la régression avec le stacking

Champignons : une question de vie ou de mort

Assembler le tout en un ensemble

Commencer le chapitre

Méthodes d’ensemble en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Méthodes d’ensemble en Python dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.