Регуляризирано бустиране
Регуляризираното бустиране разширява градиентното бустиране чрез добавяне на явни контроли — свиване (скорост на обучение), L1/L2 регуляризация на теглата, подсемплиране и ограничения на сложността на дърветата — към целевата функция и правилото за обновяване. Тези ограничения намаляват преобучаването, стабилизират модела при шумни или малки набори от данни и са основната причина системите като XGBoost и LightGBM последователно да превъзхождат обикновеното бустиране на реални таблични бенчмаркове.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-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.
- БустингМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Регуляризирано градиентно усилванеМашинно обучение↔ compare
- Регуляризиран случаен лесМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →