Ενισχυμένη Ενίσχυση (Regularized Boosting)
Η ενισχυμένη ενίσχυση επεκτείνει την ενίσχυση κλίσης (gradient boosting) προσθέτοντας ρητούς ελέγχους — συρρίκνωση (ρυθμός μάθησης), ποινές βάρους L1/L2, υποδειγματοληψία και όρια πολυπλοκότητας δέντρων — στη συνάρτηση στόχο και στον κανόνα ενημέρωσης. Αυτοί οι περιορισμοί μειώνουν την υπερπροσαρμογή, σταθεροποιούν το μοντέλο σε θορυβώδη ή μικρά σύνολα δεδομένων και αποτελούν τον κύριο λόγο για τον οποίο συστήματα όπως το XGBoost και το LightGBM υπερτερούν σταθερά της απλής ενίσχυσης σε πραγματικά ταμπυλικά σημεία αναφοράς.
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 ↗
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/el/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.
- ΕνίσχυσηΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Κανονικοποιημένη Ενίσχυση ΚλίσηςΜηχανική Μάθηση↔ compare
- Κανονικοποιημένο Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →