Ensemble learning (apprentissage ensembliste)
L’apprentissage ensembliste combine plusieurs modèles de machine learning pour produire une prédiction plus précise qu’un seul modèle pris isolément. Principe : la combinaison de plusieurs « apprenants », même individuellement imparfaits, réduit les erreurs et améliore la robustesse globale — une logique comparable à l’intelligence collective d’un comité d’experts plutôt qu’un avis unique.
Trois techniques dominent. Le bagging entraîne plusieurs modèles en parallèle sur des sous-échantillons différents des données, puis agrège leurs résultats par vote ou moyenne — le Random Forest en est l’exemple le plus connu, basé sur de multiples arbres de décision. Le boosting entraîne les modèles en séquence, chacun corrigeant les erreurs du précédent. Le stacking combine des modèles différents via un modèle final qui apprend à pondérer leurs prédictions.
En RH, cette technique renforce la fiabilité des outils de scoring : un modèle de prédiction de turnover ou de tri de CV basé sur un ensemble de modèles réduit le risque qu’une erreur ou un biais isolé d’un seul algorithme fausse la décision finale.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (07/11/2025), Journal du Net.