Potenciación Regularizada
La potenciación regularizada extiende la potenciación por gradiente añadiendo controles explícitos — contracción (tasa de aprendizaje), penalizaciones de peso L1/L2, submuestreo y límites de complejidad de árbol — a la función objetivo y a la regla de actualización. Estas restricciones reducen el sobreajuste, estabilizan el modelo en conjuntos de datos ruidosos o pequeños, y son la razón principal por la que sistemas como XGBoost y LightGBM superan consistentemente a la potenciación simple en puntos de referencia tabulares del mundo real.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Gradient Boosting RegularizadoAprendizaje automático↔ compare
- Random Forest RegularizadoAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →