Gradient Boosting Regularizado
El gradient boosting regularizado extiende el ensamble aditivo de árboles clásico (Friedman 2001) al incorporar términos de penalización L1 y L2 directamente en el objetivo de entrenamiento, junto con una penalización por complejidad del tamaño del árbol. Popularizado por XGBoost (Chen & Guestrin 2016), este marco reduce el sobreajuste y mejora la generalización en comparación con el boosting no penalizado, al tiempo que conserva la precisión característica del método en datos tabulares.
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.
+2 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/es/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.
- PotenciaciónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- LightGBMAprendizaje automático↔ compare
- Árbol de decisión 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 →