Regularisiertes Gradient Boosting
Regularisiertes Gradient Boosting erweitert das klassische additive Baumensemble (Friedman 2001), indem es L1- und L2-Straftherme direkt in die Trainingszielfunktion einbettet, zusammen mit einer Komplexitätsstrafe für die Baumgröße. Dieses Framework, populär gemacht durch XGBoost (Chen & Guestrin 2016), reduziert Überanpassung und verbessert die Generalisierung im Vergleich zu unbestraftem Boosting, während es die charakteristische Genauigkeit der Methode bei tabellarischen Daten beibehält.
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.
+2 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/de/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.
- BoostingMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- LightGBMMaschinelles Lernen↔ compare
- Regularisierter EntscheidungsbaumMaschinelles Lernen↔ compare
- Regularized Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →