Gradient Boosting
Gradient Boosting je ansámblovací metoda, kterou v roce 2001 zavedl Jerome Friedman. Buduje silný prediktivní model postupným přidáváním mělkých rozhodovacích stromů, kde každý strom opravuje chyby předchozího ansámblu. Formulací problému jako gradientního sestupu v prostoru funkcí dosahuje špičkové přesnosti v klasifikačních, regresních a řadicích úlohách na tabulkových datech.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/cs/machine-learning/ensemble-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.
- AdaBoostStrojové učení↔ compare
- CatBoostStrojové učení↔ compare
- Rozhodovací stromStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →