9 octobre 2025
Découvrez comment l'apprentissage d'ensemble améliore les performances des modèles d'IA grâce à des techniques telles que le bagging, le boosting et l'empilement, afin d'obtenir des prédictions plus précises et plus stables.
Les innovations en matière d'IA, telles que les moteurs de recommandation et les systèmes de détection des fraudes, s'appuient sur des algorithmes et des modèles d'apprentissage automatique pour faire des prédictions et prendre des décisions sur la base de données. Ces modèles peuvent identifier des modèles, prévoir des tendances et aider à automatiser des tâches complexes.
Cependant, un modèle unique peut avoir du mal à capturer tous les détails des données du monde réel. Il peut être performant dans certains cas, mais insuffisant dans d'autres, par exemple un modèle de détection de la fraude qui ne tient pas compte de nouveaux types de transactions.
Les ingénieurs en intelligence artificielle sont souvent confrontés à cette limitation lorsqu'ils construisent et déploient des modèles d'apprentissage automatique. Certains modèles se surajoutent en apprenant trop fidèlement les données d'apprentissage, tandis que d'autres se sous-ajustent en manquant des modèles importants. L'apprentissage d'ensemble est une technique d'IA qui permet de relever ces défis en combinant plusieurs modèles, connus sous le nom d'apprenants de base, en un seul système plus puissant.
On peut l'assimiler à une équipe d'experts travaillant ensemble à la résolution d'un problème. Dans cet article, nous allons explorer ce qu'est l'apprentissage par ensembles, comment il fonctionne et où il peut être utilisé. C'est parti !
L'apprentissage d'ensemble fait référence à un ensemble de techniques qui combinent plusieurs modèles pour résoudre le même problème et produire un résultat unique et amélioré. Il peut être appliqué à la fois à l'apprentissage supervisé (où les modèles apprennent à partir de données étiquetées) et à l'apprentissage non supervisé (où les modèles trouvent des modèles dans des données non étiquetées).
Au lieu de s'appuyer sur un seul modèle pour faire des prédictions, un ensemble utilise plusieurs modèles qui analysent chacun les données à leur manière. Lorsque leurs résultats sont combinés, ils sont souvent plus précis, plus stables et plus généralisables que ce qu'un seul modèle pourrait réaliser seul.
Vous pouvez le comparer à un panel d'analystes traitant du même problème. Chaque analyste ou modèle individuel interprète les données différemment.
L'un d'eux peut se concentrer sur les modèles, un autre sur les anomalies et un autre encore sur le contexte. En réunissant leurs perspectives, le groupe peut prendre une décision plus équilibrée et plus fiable que n'importe quel jugement individuel.
Cette approche permet également de relever deux des plus grands défis de l'apprentissage automatique : le biais et la variance. Un modèle avec un biais élevé est trop simple et néglige des modèles importants, tandis qu'un modèle avec une variance élevée est trop sensible et s'adapte trop étroitement aux données d'apprentissage. En combinant les modèles, l'apprentissage d'ensemble trouve un équilibre entre les deux, améliorant ainsi les performances du système sur de nouvelles données inédites.
Chaque modèle d'un ensemble est appelé "apprenant de base" ou "modèle de base". Il peut s'agir du même type d'algorithme ou d'un mélange d'algorithmes différents, en fonction de la technique d'ensemble utilisée.
Voici quelques exemples courants des différents modèles utilisés dans l'apprentissage par ensembles :
Un ensemble de modèles combinés est généralement appelé "apprenant fort" car il intègre les forces des apprenants de base (également appelés "modèles faibles") tout en minimisant leurs faiblesses. Pour ce faire, il combine les prédictions de chaque modèle de manière structurée, en utilisant le vote majoritaire pour les tâches de classification ou la moyenne pondérée pour les tâches de régression, afin de produire un résultat final plus précis.
Avant de nous plonger dans les différentes techniques d'apprentissage ensembliste, prenons un peu de recul pour comprendre quand ce type d'approche doit être utilisé dans un projet d'apprentissage automatique ou d'IA.
L'apprentissage d'ensemble est le plus efficace lorsqu'un modèle unique peine à faire des prédictions précises ou cohérentes. Il peut également être utilisé dans des situations où les données sont complexes, bruyantes ou imprévisibles.
Voici quelques cas courants où les méthodes d'ensemble sont particulièrement efficaces :
Il est également plus simple à former, plus facile à interpréter et plus rapide à maintenir. Avant d'utiliser un ensemble, il est important d'évaluer l'avantage d'une plus grande précision par rapport au temps, à la puissance de calcul et à la complexité supplémentaires qu'il requiert.
Examinons ensuite les principales façons dont l'apprentissage par ensembles peut être appliqué dans les projets d'apprentissage automatique. Il existe plusieurs techniques de base utilisées pour combiner des modèles, chacune améliorant les performances à sa manière. Les méthodes d'ensemble les plus courantes sont le bagging, le boosting, le stacking et le blending.
Le bagging, abréviation de bootstrap aggregating, est une méthode d'apprentissage d'ensemble qui permet d'améliorer la stabilité et la précision des modèles en entraînant plusieurs versions du même modèle sur différentes parties des données.
Chaque sous-ensemble est créé à l'aide d'un processus appelé échantillonnage bootstrap, dans lequel les points de données sont sélectionnés au hasard avec remplacement. Cela signifie qu'une fois qu'un point de données a été choisi, il est remis dans le pool avant que le suivant ne soit sélectionné, de sorte que le même point peut apparaître plus d'une fois, tandis que d'autres peuvent être laissés de côté. Ce caractère aléatoire garantit que chaque modèle s'entraîne sur une version légèrement différente de l'ensemble de données.
Au cours de l'inférence, tous les modèles formés fonctionnent en parallèle pour faire des prédictions sur de nouvelles données inédites. Chaque modèle produit sa propre sortie sur la base de ce qu'il a appris, et ces prédictions individuelles sont ensuite combinées pour former le résultat final.
Pour les tâches de régression, telles que la prédiction des prix de l'immobilier ou des prévisions de vente, il s'agit généralement de calculer la moyenne des résultats de tous les modèles afin d'obtenir une estimation plus lisse. Pour les tâches de classification, telles que l'identification d'une transaction frauduleuse ou non, l'ensemble prend souvent un vote majoritaire pour décider de la classe finale.
Les arbres de décision constituent un bon exemple de l'efficacité du bagging. En effet, les arbres de décision peuvent facilement être surajoutés lorsqu'ils sont formés sur un seul ensemble de données. En entraînant de nombreux arbres sur des échantillons légèrement différents et en combinant leurs résultats, le bagging réduit le surajustement et améliore la fiabilité.
Considérons l'algorithme Random Forest. Il s'agit d'un ensemble d'arbres de décision, où chaque arbre est formé sur un sous-ensemble aléatoire de l'ensemble de données d'apprentissage ainsi que sur un sous-ensemble aléatoire de caractéristiques.
Ce caractère aléatoire des caractéristiques permet de garantir que les arbres sont moins corrélés et que le modèle global est plus stable et plus précis. Un algorithme Random Forest peut être utilisé pour classer des images, détecter des fraudes, prédire le taux de désabonnement des clients, prévoir les ventes ou estimer les prix de l'immobilier.
Le boosting est une autre technique d'apprentissage ensembliste qui se concentre sur l'amélioration des apprenants faibles (modèles) en les formant de manière séquentielle, l'un après l'autre, plutôt qu'en parallèle. Le concept de base du boosting est que chaque nouveau modèle apprend des erreurs des modèles précédents, améliorant ainsi progressivement les performances globales du modèle.
Contrairement au bagging, qui réduit la variance en calculant la moyenne des modèles indépendants, le boosting réduit les biais en faisant en sorte que chaque nouveau modèle accorde plus d'attention aux cas difficiles que les modèles précédents ont eu du mal à traiter.
Étant donné que les modèles de boosting sont formés de manière séquentielle, la manière dont leurs prédictions sont combinées à la fin diffère légèrement des autres méthodes d'ensemble. Chaque modèle contribue à la prédiction finale proportionnellement à ses performances pendant la formation, les modèles les plus précis recevant un poids plus important.
Pour les tâches de régression, le résultat final est généralement une somme pondérée de toutes les prédictions du modèle. Pour les tâches de classification, l'algorithme combine les votes pondérés des modèles pour décider de la classe finale. Cette approche permet de créer un modèle global solide en donnant plus de poids aux modèles les plus précis tout en continuant à apprendre des autres.
Voici quelques types courants d'algorithmes de stimulation :
L'empilement, également appelé généralisation par empilement, va plus loin en utilisant les prédictions de plusieurs modèles comme données d'entrée d'un modèle final appelé méta-apprentissage. C'est un peu comme si un groupe d'experts partageait son opinion, et qu'un décideur final apprenait à pondérer ces opinions pour prendre la meilleure décision possible.
Par exemple, un modèle peut être très efficace pour repérer les fraudes, tandis qu'un autre est plus performant pour prédire l'attrition de la clientèle. Le méta-apprenant étudie les performances de chacun et utilise leurs forces ensemble pour faire une prédiction finale plus précise.
Le blending fonctionne de la même manière que l'empilage, car il combine également les prédictions de plusieurs modèles pour prendre une décision finale, mais il adopte une approche plus simple et plus rapide. Au lieu d'utiliser la validation croisée (une méthode qui divise les données en plusieurs parties et les fait alterner entre l'entraînement et le test pour rendre le modèle plus fiable), comme le fait l'empilage, le mélange met de côté une petite partie des données, appelée "ensemble d'attente".
Les modèles de base sont entraînés sur les données restantes et font ensuite des prédictions sur l'ensemble d'attente, qu'ils n'ont jamais vu auparavant. On obtient ainsi deux informations essentielles : les réponses réelles, ou vraies étiquettes, et les prédictions faites par chaque modèle de base.
Ces prédictions sont ensuite transmises à un autre modèle appelé modèle de mélange ou méta-modèle. Ce dernier modèle étudie la précision des prédictions de chaque modèle de base et apprend à les combiner de la meilleure façon possible.
Étant donné que le mélange repose sur une seule division de la formation et du test au lieu de répéter le processus plusieurs fois, il fonctionne plus rapidement et est plus facile à mettre en place. En contrepartie, il dispose d'un peu moins d'informations pour apprendre, ce qui peut le rendre un peu moins précis.
Une partie importante de l'apprentissage par ensembles consiste à évaluer les performances d'un modèle sur des données qu'il n'a jamais vues auparavant. Quelle que soit l'avancée d'une technique, elle doit être testée pour s'assurer qu'elle peut se généraliser, c'est-à-dire qu'elle doit faire des prédictions précises sur de nouveaux exemples du monde réel plutôt que de simplement mémoriser les données d'apprentissage.
Voici quelques mesures de performance couramment utilisées pour évaluer les modèles d'IA :
Jusqu'à présent, nous avons exploré le fonctionnement et les techniques de l'apprentissage par ensembles. Voyons maintenant où cette approche a un impact.
Voici quelques domaines clés où l'apprentissage ensembliste est couramment appliqué :
Si l'apprentissage par ensembles est le plus souvent utilisé avec des données structurées ou tabulaires, telles que des feuilles de calcul contenant des informations numériques ou catégorielles, il peut également être appliqué à des données non structurées telles que du texte, des images, du son et de la vidéo.
Ces types de données sont plus complexes et plus difficiles à interpréter pour les modèles, mais les méthodes d'ensemble permettent d'améliorer la précision et la fiabilité. Par exemple, dans le domaine de la vision artificielle, les ensembles peuvent améliorer des tâches telles que la classification d'images et la détection d'objets.
En combinant les prédictions de plusieurs modèles de vision, tels que les réseaux neuronaux convolutionnels (CNN), le système peut reconnaître les objets avec plus de précision et gérer les variations d'éclairage, d'angle ou d'arrière-plan qui pourraient perturber un modèle unique.
Un exemple intéressant d'utilisation de l'apprentissage d'ensemble dans le domaine de la vision par ordinateur est celui d'un ingénieur qui combine plusieurs modèles de détection d'objets afin d'améliorer la précision. Imaginez un ingénieur travaillant sur un système de surveillance de la sécurité pour un chantier de construction, où l'éclairage, les angles et la taille des objets changent constamment.
Un seul modèle peut manquer un travailleur dans l'ombre ou confondre une machine en mouvement. En utilisant un ensemble de modèles, chacun avec des forces différentes, le système devient plus fiable et moins susceptible de commettre ces erreurs.
En particulier, les modèles comme Ultralytics YOLOv5 vont de pair avec l'assemblage de modèles. Les ingénieurs peuvent combiner différentes variantes de YOLOv5, telles que YOLOv5x et YOLOv5l6, pour faire des prédictions ensemble. Chaque modèle analyse la même image et produit ses propres détections, dont la moyenne est ensuite calculée pour générer un résultat final plus fort et plus précis.
Voici quelques avantages clés de l'apprentissage par ensembles :
Si l'apprentissage ensembliste présente de nombreux avantages, il n'en reste pas moins qu'il y a aussi des défis à relever. Voici quelques facteurs à prendre en compte :
L'apprentissage d'ensemble montre comment la combinaison de plusieurs modèles peut rendre les systèmes d'intelligence artificielle plus précis et plus fiables. Il permet de réduire les erreurs et d'améliorer les performances pour différents types de tâches. Alors que l'apprentissage automatique et l'IA continuent de se développer, des techniques comme celle-ci favorisent une adoption plus large et des solutions d'IA plus pratiques et plus performantes.
Rejoignez notre communauté grandissante et notre dépôt GitHub pour en savoir plus sur Vision AI. Explorez nos pages de solutions pour en savoir plus sur les applications de la vision par ordinateur dans l'agriculture et de l' IA dans la logistique. Consultez nos options de licence pour commencer à créer votre propre modèle de vision par ordinateur dès aujourd'hui !
