Regulæriseret Online Læring
Regulæriseret online læring udvider online læringsparadigmet ved at inkorporere en regulæriseringsstraf i hver vægtopdatering, hvilket kontrollerer modelkompleksitet, mens data behandles et eksempel ad gangen. Algoritmer som Follow-the-Regularized-Leader (FTRL) og Regularized Dual Averaging (RDA) gør denne tilgang praktisk i stor skala, hvilket muliggør sparsomme, velkalibrerede modeller på streamingdata.
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
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/da/machine-learning/regularized-online-learning
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.
- Online læringMaskinlæring↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Stokastisk gradientnedstigning (SGD)Maskinlæring↔ compare
- OverførselslæringMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →