Regularized Boosting
Regularized Boosting erweitert Gradient Boosting durch explizite Kontrollen – Shrinkage (Lernrate), L1/L2-Gewichtsstrafen, Subsampling und Begrenzungen der Baumkomplexität – in der Zielfunktion und der Update-Regel. Diese Einschränkungen reduzieren Overfitting, stabilisieren das Modell bei verrauschten oder kleinen Datensätzen und sind der Hauptgrund, warum Systeme wie XGBoost und LightGBM auf realen tabellarischen Benchmarks durchweg besser abschneiden als Vanilla Boosting.
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 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/de/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.
- BoostingMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Regularisiertes Gradient BoostingMaschinelles Lernen↔ compare
- Regularized Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →