Bayesiansk XGBoost
Bayesiansk XGBoost kombinerer den forudsigelseskraft, som Extreme Gradient Boosting tilbyder, med Bayesiansk optimering til finjustering af hyperparametre. I stedet for gitter- eller tilfældig søgning styrer en sandsynlighedsbaseret surrogatmodel søgningen efter optimale indlæringshastigheds-, trædybde- og regulariseringsparametre, hvilket opnår næsten optimal ydeevne med langt færre evalueringer end udtømmende søgemetoder.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/da/machine-learning/bayesian-xgboost
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Gradient BoostingMaskinlæring↔ sammenlign
- LightGBMMaskinlæring↔ sammenlign
- Random ForestMaskinlæring↔ sammenlign
- XGBoostMaskinlæring↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →