CorrelTemp - Correction des températures | FEREC 2020

8/23 Methode Paramètre Valeur / Domaine HST-MLP [7] Nombre total de paramètres 39 Paramètres d’entrées 4 Topologie 4 neurones couche cachée, 1 sortie Algorithme d’apprentissage ADAM [8] Initialisation des poids Xavier uniforme Nombre d’epochs 400 Learning rate 0.01 Batch size 512 Random Forest [12] Nombre total de paramètres - Paramètres d’entrées 10 (cf section RF ) Nombre d’arbres de décision 100 Splits de cross-validation 5 KFolds Critère de split Erreur au carré Profondeur 1, 2, 3, 5, 7, 10, 20 , inf Complexity parameter used for Minimal Cost-Complexity Pruning 0.0, 0.05, 0.10, 0.15, 0.20, 0.25, 0.30, 0.35 min_samples_split 2, 3, 4, 5, 6, 7 Nombre de features après l’élimination récursive (RFE) 2, 3, toutes LSTM [11] Nombre total de paramètres 2392 Paramètres d’entrées 2*100 Topologie 2 couches LSTM (5 unités) + 1 couche dense (5 neurones) + 1 sortie Algorithme d’apprentissage ADAM [8] Initialisation des poids Xavier uniforme Nombre d’epochs 400 Learning rate 0.01 Batch size 512 Table 2. : Hyperparamètres utilisés dans les méthodes d’apprentissage automatique 1.1.3 RF : Méthode basée sur des Forêts aléatoires Nous proposons d’utiliser des « forêts aléatoires » (« Random forests » en anglais : « RF ») comme modèles pour représenter le signal. Il s’agit d’un autre modèle par apprentissage automatique, qui s’inspire d’un autre modèle prédictif : les arbres de décisions. Ces derniers lient de façon explicite les valeurs des variables cibles et les variables d’entrée par recombinaisons à l’intérieur d’une structure d’arbres (chemins). Ils peuvent être utilisés pour des tâches de régression (ce qui correspond au cas où les variables d’entrée et les variables cibles sont des valeurs continues). Pour pouvoir les calibrer pour un problème donné, les arbres de décision peuvent être entraînés par apprentissage supervisé : on utilise un ensemble de données pour lesquelles on connaît les valeurs des variables cibles pour construire l'arbre, puis on extrapole les résultats à l'ensemble des données de test. Les arbres de décision font partie des algorithmes les plus populaires en apprentissage automatique. Les forêts aléatoires regroupent les résultats d’une collection d’arbres de décisions, chacun entraînés sur un sous-ensemble différent des données. Ensuite, les prédictions des forêts aléatoires sont obtenues par vote majoritaire des arbres de décision (« ensemble learning »). Cette approche par ensemble permet d’obtenir