Регуляризирано градиентно усилване
Регуляризираното градиентно усилване разширява класическия адитивен ансамбъл от дървета (Friedman 2001) чрез вграждане на L1 и L2 наказателни членове директно в целта на обучение, заедно с наказание за сложност на размера на дървото. Популяризирана от XGBoost (Chen & Guestrin 2016), тази рамка намалява пренастройката (overfitting) и подобрява генерализацията в сравнение с не-наказаното усилване, като същевременно запазва характерната точност на метода върху таблични данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Източници
- 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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-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.
- БустингМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- LightGBMМашинно обучение↔ compare
- Регуляризирано дърво на решениятаМашинно обучение↔ compare
- Регуляризиран случаен лесМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →