Ensemble d'empilement régularisé
L'ensemble d'empilement régularisé (Regularized Stacking Ensemble) est une méthode d'ensemble à deux niveaux dans laquelle les prédictions de plusieurs apprenants de base divers sont combinées par un méta-apprenant régularisé — typiquement une régression Ridge, Lasso ou Elastic Net — afin de supprimer le surapprentissage dans la couche de combinaison. La régularisation garantit que le méta-apprenant attribue des poids stables et bien calibrés aux sorties des modèles de base, plutôt que de mémoriser le bruit dans les prédictions des plis d'entraînement.
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
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Breiman, L. (1996). Stacked Regressions. Machine Learning, 24(1), 49–64. DOI: 10.1007/BF00117832 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Stacking Ensemble (Stacked Generalization with Regularized Meta-Learner). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-stacking-ensemble
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
- Forêt AléatoireApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
- Forêt Aléatoire RégulariséeApprentissage automatique↔ compare
- EmpilementApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →