Définition
Régularisation
La régularisation regroupe les techniques qui empêchent un modèle d’apprendre « par cœur ».
En clair
La régularisation désigne les méthodes qui limitent le surapprentissage en décourageant le modèle de devenir trop complexe ou trop dépendant de détails précis.
Comment ça marche
On ajoute une contrainte pendant l’entraînement : pénaliser des poids trop grands, « éteindre » aléatoirement des neurones (dropout), ou arrêter tôt. Le modèle est poussé vers des solutions plus générales.
Un exemple concret
Le dropout, c’est comme entraîner une équipe où, à chaque exercice, quelques joueurs sont absents : chacun apprend à ne pas dépendre d’un seul coéquipier, l’équipe devient plus robuste.
Pourquoi ça compte
Sans régularisation, un gros modèle mémorise ses données et échoue sur du nouveau. C’est un levier clé de la généralisation.
À retenir
Elle force le modèle à rester simple et général plutôt que de coller aux détails de ses données.
Questions fréquentes
Le dropout, c’est de la régularisation ?+
Oui, une des plus utilisées dans les réseaux de neurones.
Trop de régularisation ?+
Oui, ça peut sous-apprendre : le modèle devient trop simple pour capter les vrais motifs.
C’est automatique ?+
Ce sont des choix de conception, réglés parmi les hyperparamètres.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.