Impuls de gradient regularitzat
L'impuls de gradient regularitzat estén l'ensemble d'arbres additius clàssic (Friedman 2001) incorporant termes de penalització L1 i L2 directament a l'objectiu d'entrenament, juntament amb una penalització de complexitat per la mida de l'arbre. Popularitzat per XGBoost (Chen & Guestrin 2016), aquest marc redueix el sobreajustament i millora la generalització en comparació amb l'impuls no penalitzat, tot conservant la precisió característica del mètode en dades tabulades.
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.
+2 more
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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/ca/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.
- BoostingAprenentatge automàtic↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- LightGBMAprenentatge automàtic↔ compare
- Arbre de decisió 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 →