Metraipolis › archive › dc_72bcce26daf1
AdaBoost — Wikipedia (fr)
- Source
- Wikipedia (fr)
- Original
- https://fr.wikipedia.org/wiki/AdaBoost
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-15T21:51:39.644Z
- SHA-256 of the archived text
01f0c34476f27838975672dd2f1fdec41998ff3e690205212141536d6394df81- Stable URL of this page
https://metraipolis.com/documento/dc_72bcce26daf1
How to cite
AdaBoost — Wikipedia (fr) — Wikipedia (fr), https://fr.wikipedia.org/wiki/AdaBoost (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_72bcce26daf1 (Metraipolis archive dc_72bcce26daf1, sha256 01f0c34476f27838975672dd2f1fdec41998ff3e690205212141536d6394df81)
BibTeX
@misc{dc72bcce26daf1,
title = {AdaBoost — Wikipedia (fr)},
howpublished = {Wikipedia (fr)},
url = {https://fr.wikipedia.org/wiki/AdaBoost},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_72bcce26daf1; sha256 01f0c34476f27838975672dd2f1fdec41998ff3e690205212141536d6394df81},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (fr), https://fr.wikipedia.org/wiki/AdaBoost. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
En intelligence artificielle et en apprentissage automatique, AdaBoost (ou adaptive boosting) est un méta-algorithme de boosting introduit par Yoav Freund et Robert Schapire en 1997. AdaBoost améliore les performances de n'importe quel algorithme d'apprentissage appelés classifieurs faibles. Le principe est la sagesse d'une foule d'experts. Chaque classifieur faible est un expert. On combine alors leurs prédictions en une somme pondérée qui représente la prédiction finale du classifieur boosté. AdaBoost est adaptatif dans le sens où les classifieurs faibles subséquents sont ajustés en faveur des échantillons mal classés par les classifieurs précédents. AdaBoost est notablement sensible aux données bruitées ou peu corrélées. Toutefois, dans certains problèmes, il peut s'avérer moins enclin au surapprentissage que d'autres algorithmes. Les sous-classifieurs utilisés peuvent être faibles tant qu'ils proposent une performance au moins un peu supérieure à celle d'un classifieur aléatoire, auquel cas il peut être prouvé que le modèle final converge vers un classifieur fort. Tous les algorithmes d'apprentissage tendent à correspondre plus à certains types de problèmes qu'à d'autres, et ont typiquement de nombreux paramètres et configurations différents qu'il est nécessaire d'ajuster pour atteindre une performance optimale sur un ensemble d'apprentissage fourni. AdaBoost (avec des arbres de décision comme classifieurs faibles) est souvent désigné comme le meilleur classifieur clé-en-main. Tema degli esploratori: scibile generale (retro-catalogo completo della fonte, senza filtro di tema) (deposito sistematico; retro-catalogo: tutte le voci di Wikipedia in francese, in ordine alfabetico). Fonte: Wikipedia in francese, voce «AdaBoost» — https://fr.wikipedia.org/wiki/AdaBoost Wikidata Q2823869 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q2823869 Autori: i contributori di Wikipedia (cronologia: https://fr.wikipedia.org/wiki/AdaBoost?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 239788190, consultata il 2026-10-15T21:36:15.081Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: e1f95db6c1900f06ac330e5ff87264de3e15733ad97fd0ffad5511a1f295016c