Online Gradient Boosting
Online Gradient Boosting tilpasser gradient boosting-rammeværket til streaming-indstillinger, hvor data ankommer én observation ad gangen i stedet for som en fast batch. Ved hvert trin beregner modellen en pseudo-residual for den indkommende observation og opdaterer en svag lærer på stedet, idet der opbygges et additivt ensemble uden at gemme eller genbesøge tidligere data. Dette gør den velegnet til realtidsforudsigelse og storskala streaming-pipelines, hvor genoptræning fra bunden er uigennemførlig.
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.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/da/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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Online læringMaskinlæring↔ compare
- Online Random ForestMaskinlæring↔ compare
- Semi-overvåget Gradient BoostingMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →