Gradient Boosting Régularisé
Le gradient boosting régularisé étend l'ensemble additif d'arbres classique (Friedman 2001) en intégrant des termes de pénalité L1 et L2 directement dans l'objectif d'entraînement, ainsi qu'une pénalité de complexité sur la taille des arbres. Popularisé par XGBoost (Chen & Guestrin 2016), ce cadre réduit le surapprentissage et améliore la généralisation par rapport au boosting non pénalisé, tout en conservant la précision caractéristique de la méthode sur les données tabulaires.
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
- 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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-gradient-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
- LightGBMApprentissage automatique↔ compare
- Arbre de décision régulariséApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →