Градиентен бустинг
Градиентният бустинг е метод за ансамблово обучение, формализиран от Джером Х. Фридман през 2001 г., който комбинира последователност от слаби обучители — обикновено плитки дървета на решения — така че всяко ново дърво да се напасва така, че да минимизира остатъчните грешки на предходните дървета. Той е основният алгоритъм зад популярни имплементации като XGBoost, LightGBM и CatBoost.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Източници
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/bg/machine-learning/gradient-boosting
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Дърво на решениятаМашинно обучение↔ compare
- LightGBMМашинно обучение↔ compare
- Логистична регресияСтатистика за изследвания↔ compare
- Случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →