Gradient Boosting
Gradient Boosting er en ensemble-læringsmetode, formaliseret af Jerome H. Friedman i 2001, der kombinerer en sekvens af svage lærende — typisk lavvandede beslutningstræer — således at hvert nyt træ tilpasses for at minimere residualfejlene fra de foregående træer. Det er kernealgoritmen bag populære implementeringer som XGBoost, LightGBM og CatBoost.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Kilder
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/da/machine-learning/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.
- BeslutningstræMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →