Impuls regularitzat
L'impuls regularitzat estén l'impuls de gradient afegint controls explícits —contracció (taxa d'aprenentatge), penalitzacions de pes L1/L2, submostreig i límits de complexitat de l'arbre— a la funció objectiu i a la regla d'actualització. Aquests vincles redueixen l'ajust excessiu, estabilitzen el model en conjunts de dades sorollosos o petits, i són la raó principal per la qual sistemes com XGBoost i LightGBM superen constantment l'impuls simple en punts de referència tabul·lars del món real.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/ca/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.
- BoostingAprenentatge automàtic↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- Impuls de gradient regularitzatAprenentatge automàtic↔ compare
- Bosque Aleatori RegularitzatAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →