Un modèle fait des erreurs. Une centaine de modèles qui se trompent de différentes manières font ensemble beaucoup moins d’erreurs. C’est l’idée d’ensemble : combiner de nombreux modèles faibles en un seul modèle fort. Random Forest, XGBoost, LightGBM, CatBoost — Les gagnants Kaggle sur données tabulaires ces dernières années utilisent tous des méthodes d'ensemble. Ce chapitre explique le fonctionnement de deux approches fondamentales : le bagging (arbres parallèles) et le boosting (arbres séquentiels), et comment régler les hyperparamètres avec la validation croisée.