Regulariseret Boosting
Regulariseret boosting udvider gradient boosting ved at tilføje eksplicitte kontroller – krympning (indlæringshastighed), L1/L2 vægtstraffe, subsampling og begrænsninger på træernes kompleksitet – til objektivfunktionen og opdateringsreglen. Disse begrænsninger reducerer overfitting, stabiliserer modellen på støjfyldte eller små datasæt og er hovedårsagen til, at systemer som XGBoost og LightGBM konsekvent overgår almindelig boosting på virkelige tabeldata.
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
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/da/machine-learning/regularized-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
- Regulariseret gradient-boostingMaskinlæring↔ compare
- Regulariseret Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →