Boosting Regularizado

O boosting regularizado estende o gradient boosting adicionando controles explícitos — encolhimento (taxa de aprendizado), penalidades L1/L2 nos pesos, subamostragem e limites de complexidade da árvore — à função objetivo e à regra de atualização. Essas restrições reduzem o overfitting, estabilizam o modelo em conjuntos de dados ruidosos ou pequenos, e são a razão central pela qual sistemas como XGBoost e LightGBM superam consistentemente o boosting "puro" em benchmarks tabulares do mundo real.