Ensemble par Boosting
Le boosting est une méthode d'ensemble qui entraîne séquentiellement des apprenants faibles et les combine en un prédicteur fort en se concentrant sur les échantillons mal classifiés par les modèles précédents. Chaque nouvel apprenant faible est pondéré en fonction de la difficulté de sa tâche d'entraînement, et les prédictions finales sont effectuées par vote pondéré. Inauguré par Schapire (1990) et affiné dans AdaBoost (Freund & Schapire, 1997), le boosting convertit les apprenants faibles (à peine meilleurs que le hasard) en apprenants forts par repondération séquentielle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/fr/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostApprentissage automatique↔ compare
- Ensemble de BaggingApprentissage ensembliste↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Vote majoritaireApprentissage ensembliste↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →