Technique de régularisation qui arrête l'entraînement d'un modèle itératif (réseau de neurones, gradient boosting) dès que la performance sur un ensemble de validation cesse de s'améliorer, pour éviter l'overfitting. L'intuition : au début de l'entraînement, le modèle apprend des patterns généralisables (biais diminue, variance reste faible). Après un certain nombre d'itérations, le modèle commence à mémoriser le bruit du training set (biais continue de baisser mais variance augmente fortement). En sauvegardant le modèle au meilleur point de validation (EarlyStopping callback avec restore_best_weights), on obtient un modèle mieux généralisable. Paramètre 'patience' : nombre d'epochs sans amélioration avant d'arrêter. Particulièrement crucial pour les réseaux de neurones et XGBoost/LightGBM avec de nombreux rounds.