Online Gradient Boosting
Online Gradient Boosting passt das Gradient-Boosting-Framework an Streaming-Szenarien an, bei denen Daten einzeln anstatt als fester Stapel eintreffen. Bei jedem Schritt berechnet das Modell ein Pseudo-Residuum für die eingehende Beobachtung und aktualisiert einen schwachen Lerner an Ort und Stelle, wodurch ein additives Ensemble aufgebaut wird, ohne vergangene Daten zu speichern oder erneut zu besuchen. Dies macht es geeignet für Echtzeitvorhersagen und skalierbare Streaming-Pipelines, bei denen ein erneutes Training von Grund auf nicht durchführbar ist.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/de/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.
- BoostingMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Online Random ForestMaschinelles Lernen↔ compare
- Halb-überwachtes Gradient BoostingMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →