Regularizované gradientní posilování
Regularizované gradientní posilování rozšiřuje klasický aditivní ansámbl stromů (Friedman 2001) začleněním L1 a L2 penalizačních členů přímo do trénovacího účelu, spolu s penalizací složitosti stromu. Tento rámec, popularizovaný algoritmem XGBoost (Chen & Guestrin 2016), snižuje přeučení a zlepšuje generalizaci ve srovnání s nepenalizovaným posilováním, přičemž si zachovává charakteristickou přesnost metody 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.
+2 more
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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/cs/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.
- ZesilováníStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- LightGBMStrojové učení↔ compare
- Regulovaný rozhodovací stromStrojové učení↔ compare
- Regularizovaný náhodný lesStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →