XGBoost bayesià
L'XGBoost bayesià combina el poder predictiu de l'Extreme Gradient Boosting amb l'optimització bayesiana per a l'ajustament d'hiperparàmetres. En lloc de cerca per graella o aleatòria, un model substitut probabilístic guia la cerca de la taxa d'aprenentatge òptima, la profunditat de l'arbre i els paràmetres de regularització, aconseguint un rendiment gairebé màxim amb moltes menys avaluacions que els enfocaments de cerca exhaustiva.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/ca/machine-learning/bayesian-xgboost
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.
- Gradient BoostingAprenentatge automàtic↔ compare
- LightGBMAprenentatge automàtic↔ compare
- Random ForestAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →