Bayesovský XGBoost
Bayesovský XGBoost kombinuje prediktivní sílu Extreme Gradient Boosting s Bayesovskou optimalizací pro ladění hyperparametrů. Místo mřížkového nebo náhodného vyhledávání vede pravděpodobnostní náhradní model vyhledávání optimální míry učení, hloubky stromu a regularizačních parametrů, čímž dosahuje téměř špičkového výkonu s mnohem menším počtem vyhodnocení než vyčerpávající vyhledávací přístupy.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/cs/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 BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →