Ενισχυμένη Βαθμιδωτή Μάθηση Συνόλου (Ensemble Gradient Boosting)
Η Βαθμιδωτή Ενίσχυση (Gradient Boosting) είναι μια μέθοδος συνόλου (ensemble method) που εισήχθη από τον Jerome Friedman το 2001 και η οποία δημιουργεί ένα ισχυρό προγνωστικό μοντέλο προσθέτοντας διαδοχικά ρηχά δέντρα αποφάσεων, καθένα από τα οποία διορθώνει τα σφάλματα του προηγούμενου συνόλου. Πλαισιώνοντας το πρόβλημα ως βαθμιδωτή κάθοδο στον χώρο των συναρτήσεων, επιτυγχάνει κορυφαία ακρίβεια σε εργασίες ταξινόμησης, παλινδρόμησης και κατάταξης σε πινάκων δεδομένων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/el/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.
- AdaBoostΜηχανική Μάθηση↔ compare
- CatBoostΜηχανική Μάθηση↔ compare
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- LightGBMΜηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →