À retenir
- C'est un arbre de décision à un seul niveau.
- Elle ne prend en compte qu'une seule variable à la fois.
- C'est la brique de base des algorithmes de boosting.
En apprentissage automatique, une souche (souvent appelée souche de décision) est le modèle de prédiction le plus rudimentaire qui soit. C'est un arbre de décision réduit à son strict minimum : il ne possède qu'une seule règle et ne se divise qu'une seule fois. C'est un peu comme un test de type 'vrai ou faux' basé sur un seul critère unique pour classer une information.
Étymologie
Le terme provient de l'analogie avec la base d'un arbre coupé : il ne reste que le tronc sans aucune branche secondaire. En informatique, c'est une traduction directe de l'anglais decision stump. Historiquement, le mot 'souche' dérive de racines liées à l'idée de morceau de bois massif ou de base fixe.
Exemples d'usage
- Un algorithme qui décide si un email est un spam uniquement en vérifiant si le mot 'cadeau' est présent (une seule condition).
- Un capteur de température qui déclenche une alerte si la valeur dépasse 30°C, sans prendre en compte l'humidité ou l'heure.
Cas d'usage
On utilise rarement une souche seule car elle est trop imprécise. En revanche, elles sont les composants fondamentaux du Boosting (comme l'algorithme AdaBoost). On combine des milliers de ces petites 'souches' simples pour créer un modèle global extrêmement robuste et performant.
Bonnes pratiques
Il faut considérer la souche comme un 'apprenant faible'. Si vous débutez en science des données, ne l'utilisez pas pour une analyse finale, mais servez-vous en pour comprendre comment un critère unique influence vos données avant de construire des modèles plus complexes.
Synonymes
Antonymes
Conseil
Pour bien visualiser le concept, imaginez que vous deviez trier des fruits uniquement sur leur couleur, sans regarder leur forme ou leur poids. C'est l'essence même de la souche : une décision radicale basée sur un seul indice.
Questions fréquentes
Pourquoi utiliser un modèle aussi simple ?
Parce qu'il est extrêmement rapide à calculer et qu'en combinant intelligemment beaucoup de modèles simples, on obtient souvent de meilleurs résultats qu'avec un seul modèle très complexe.
Une souche est-elle précise ?
Pris isolément, non. Elle fait souvent beaucoup d'erreurs, c'est pourquoi on l'appelle un 'weak learner' (apprenant faible).