Apprentissage d’une pondération dynamique des constituants d’une méthode d’ensemble

L’utilisation de méthodes d’ensemble, dont l’usage est très répandu, permet souvent d’obtenir des résultats de haute précision mais sont beaucoup plus difficilement interprétable que les modèles d’apprentissage automatique traditionnel (arbres, régressions logistique/linéaire, ect). De plus, les méthodes d’ensemble sont généralement appliquées de façon relativement naïve, avec des méthodes d’agrégations des estimateurs telle que la moyenne ou le mode des prédictions de ces derniers, laissant présager qu’il serait possible à la fois d’en augmenter la précision en essayant de pondérer les multiples estimateurs qui forme la méthode d’ensemble, mais aussi d’en augmenter l’interprétabilité en ne sélectionnant qu’un seul estimateur (le plus performant) dans la région de l’espace concerné.

Faculty Supervisor:

Gilles Caporossi;Denis Larocque

Student:

Partner:

Mouvement des caisses Desjardins

Discipline:

Computer science

Sector:

Finance and Insurance; Information and Communications Technology

University:

HEC Montréal

Program: