Arbre de décision régularisé
Un arbre de décision régularisé est un modèle d'arbre de décision dont la complexité est intentionnellement limitée par élagage, contraintes de profondeur ou termes de pénalité pour éviter le surapprentissage. Issu du cadre CART de Breiman et al. (1984), la régularisation transforme la procédure gloutonne de croissance de l'arbre en un compromis biais-variance, produisant des modèles qui généralisent mieux aux données non vues que les arbres entièrement développés.
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
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8
- Esposito, F., Malerba, D., & Semeraro, G. (1997). A comparative analysis of methods for pruning decision trees. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), 476–491. DOI: 10.1109/34.589207 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-decision-tree
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
- Arbre de décisionApprentissage automatique↔ compare
- Extra TreesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →