XGBoost bayésien
XGBoost bayésien combine la puissance prédictive d'Extreme Gradient Boosting avec l'optimisation bayésienne pour le réglage des hyperparamètres. Au lieu d'une recherche par grille ou aléatoire, un modèle probabiliste substitut guide la recherche du taux d'apprentissage optimal, de la profondeur de l'arbre et des paramètres de régularisation, atteignant des performances quasi optimales avec beaucoup moins d'évaluations que les approches de recherche exhaustive.
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
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-xgboost
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.
- Gradient BoostingApprentissage automatique↔ compare
- LightGBMApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →