Regulariseret gradient-boosting
Regulariseret gradient-boosting udvider det klassiske additive træensemble (Friedman 2001) ved at indlejre L1- og L2-straffetermer direkte i træningsmålet, sammen med en kompleksitetsstraf for træstørrelse. Dette rammeværk, populariseret af XGBoost (Chen & Guestrin 2016), reducerer overtilpasning og forbedrer generalisering sammenlignet med ureguleret boosting, samtidig med at metodens karakteristiske nøjagtighed på tabeldata bevares.
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.
+2 more
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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/da/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.
- BoostingMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Reguleret beslutningstræMaskinlæring↔ compare
- Regulariseret Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →