AdaBoost
AdaBoost (Adaptive Boosting) est l'algorithme de boosting original, introduit par Yoav Freund et Robert Schapire en 1997, qui combine une séquence d'apprenants faibles simples en donnant plus de poids aux observations qu'ils classent incorrectement. Précurseur du gradient boosting, il est simple, interprétable et constitue une base solide pour la classification.
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.
+2 more
Sources
- 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 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/fr/machine-learning/adaboost
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.
- Arbre de décisionApprentissage automatique↔ compare
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- EmpilementApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →