Online Gradient Boosting
Online Gradient Boosting adaptuje rámec gradientového posilování pro streamovací prostředí, kde data přicházejí po jednom vzorku namísto pevné dávky. V každém kroku model vypočítá pseudo-reziduum pro příchozí pozorování a aktualizuje slabého učitele na místě, čímž buduje aditivní ansámbl bez ukládání nebo opětovného procházení minulých dat. To jej činí vhodným pro predikce v reálném čase a rozsáhlé streamovací pipeline, kde je přetrénování od začátku neproveditelné.
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
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/cs/machine-learning/online-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.
- ZesilováníStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Online LearningStrojové učení↔ compare
- Online Random ForestStrojové učení↔ compare
- Polozavedené vylepšování gradientemStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →