Gradient Boosting en ligne
Le Gradient Boosting en ligne adapte le cadre du gradient boosting aux scénarios de flux où les données arrivent une observation à la fois plutôt qu'en lots fixes. À chaque étape, le modèle calcule un pseudo-résidu pour l'observation entrante et met à jour un apprenant faible sur place, construisant un ensemble additif sans stocker ni revisiter les données passées. Cela le rend adapté aux prédictions en temps réel et aux pipelines de flux à grande échelle où la ré-entraînement à partir de zéro est infaisable.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/fr/machine-learning/online-gradient-boosting
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- BoostingApprentissage automatique↔ comparer
- Gradient BoostingApprentissage automatique↔ comparer
- Apprentissage en ligneApprentissage automatique↔ comparer
- Forêt aléatoire en ligneApprentissage automatique↔ comparer
- Gradient Boosting Semi-superviséApprentissage automatique↔ comparer
- XGBoostApprentissage automatique↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →