Ensemble Gradient Boosting
Gradient Boosting ist eine Ensemble-Methode, die 2001 von Jerome Friedman eingeführt wurde und ein starkes prädiktives Modell aufbaut, indem sequenziell flache Entscheidungsbäume hinzugefügt werden, von denen jeder die Fehler des vorherigen Ensembles korrigiert. Indem das Problem als Gradientenabstieg im Funktionsraum formuliert wird, erzielt es Spitzenleistungen bei Klassifikations-, Regressions- und Ranking-Aufgaben auf tabellarischen Daten.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/de/machine-learning/ensemble-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.
- AdaBoostMaschinelles Lernen↔ compare
- CatBoostMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- LightGBMMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →