Gradient Boosting

Le Gradient Boosting est une technique puissante d’ensemble learning qui construit progressivement des modèles prédictifs en ajoutant des modèles qui corrigent les erreurs des prédicteurs précédents. À chaque étape, un nouveau modèle est entraîné en mettant l’accent sur les instances mal prédites par les modèles existants. Cela permet de créer un modèle final très précis et performant.

Exemple : Supposons que vous construisiez un système de recommandation de films. Le premier modèle pourrait recommander des films basés sur les genres que l’utilisateur aime, mais il pourrait mal prédire l’intérêt pour des genres moins fréquents. Un modèle de gradient boosting apprendrait ensuite à partir des erreurs du premier modèle, en se concentrant sur les prédictions incorrectes, et ajouterait un nouveau modèle pour mieux prédire l’intérêt pour ces genres moins fréquents, améliorant ainsi la précision globale du système de recommandation.

Retourner à l'index du lexique