নিয়ন্ত্রিত গ্রেডিয়েন্ট বুস্টিং
নিয়ন্ত্রিত গ্রেডিয়েন্ট বুস্টিং ক্লাসিক অ্যাডিটিভ ট্রি এনসেম্বলকে (Friedman 2001) L1 এবং L2 পেনাল্টি টার্ম সরাসরি ট্রেনিং অবজেক্টিভে যুক্ত করে প্রসারিত করে, সাথে গাছের আকারের উপর একটি জটিলতা পেনাল্টিও থাকে। XGBoost (Chen & Guestrin 2016) দ্বারা জনপ্রিয় হওয়া এই ফ্রেমওয়ার্কটি ওভারফিটিং কমায় এবং সাধারণ বুস্টিংয়ের তুলনায় জেনারালাইজেশন উন্নত করে, একই সাথে টেবুলার ডেটার উপর পদ্ধতির বৈশিষ্ট্যপূর্ণ নির্ভুলতা বজায় রাখে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
উৎস
- 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 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/bn/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.
- বুস্টিংযন্ত্র শিখন↔ compare
- গ্রেডিয়েন্ট বুস্টিংযন্ত্র শিখন↔ compare
- লাইটজিবিএমযন্ত্র শিখন↔ compare
- নিয়ন্ত্রিত সিদ্ধান্ত বৃক্ষযন্ত্র শিখন↔ compare
- রেগুলারাইজড র্যান্ডম ফরেস্টযন্ত্র শিখন↔ compare
- XGBoostযন্ত্র শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →