Κανονικοποιημένη Ενίσχυση Κλίσης
Η κανονικοποιημένη ενίσχυση κλίσης επεκτείνει το κλασικό αθροιστικό σύνολο δέντρων (Friedman 2001) ενσωματώνοντας όρους ποινής L1 και L2 απευθείας στον στόχο εκπαίδευσης, μαζί με ποινή πολυπλοκότητας στο μέγεθος του δέντρου. Δημοφιλής από το XGBoost (Chen & Guestrin 2016), αυτό το πλαίσιο μειώνει την υπερπροσαρμογή και βελτιώνει τη γενίκευση σε σύγκριση με την μη ποινικοποιημένη ενίσχυση, διατηρώντας παράλληλα την χαρακτηριστική ακρίβεια της μεθόδου σε δομημένα δεδομένα.
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.
+2 more
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/el/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.
- ΕνίσχυσηΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- LightGBMΜηχανική Μάθηση↔ compare
- Δενδρόμονο με κανονικοποίησηΜηχανική Μάθηση↔ compare
- Κανονικοποιημένο Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →