Bayesian XGBoost
Bayesian XGBoost ühendab Extreme Gradient Boostingu ennustusvõimsuse ja hüperparameetrite optimeerimise Bayesian-meetoditega. Võre- või juhusliku otsingu asemel juhib otsingut tõenäosuslik asendusmudel (surrogate model) optimaalse õppimiskiiruse, puu sügavuse ja regularisatsiooniparameetrite leidmiseks, saavutades peaaegu tipptasemel jõudluse palju väiksema arvu hinnangutega kui ammendavad otsingud.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/et/machine-learning/bayesian-xgboost
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.
- Gradient BoostingMasinõpe↔ compare
- LightGBMMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →