Boosting Régularisé
Le boosting régularisé étend le gradient boosting en ajoutant des contrôles explicites — rétrécissement (taux d'apprentissage), pénalités de poids L1/L2, sous-échantillonnage et limites de complexité des arbres — à la fonction objectif et à la règle de mise à jour. Ces contraintes réduisent le surapprentissage, stabilisent le modèle sur des jeux de données bruités ou petits, et sont la raison principale pour laquelle des systèmes tels que XGBoost et LightGBM surpassent constamment le boosting standard sur des benchmarks tabulaires du monde réel.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-boosting
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.
- BoostingApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →