Reguleeritud võimendamine
Reguleeritud võimendamine laiendab gradientvõimendamist, lisades objektiivfunktsiooni ja uuendusreeglisse selgesõnalised kontrollimehhanismid — kahanemise (õppimiskiirus), L1/L2 kaalukaristused, alamvalimi võtmise ja puu keerukuse piirangud. Need piirangud vähendavad üleõppimist, stabiliseerivad mudeli mürarikaste või väikeste andmekogumite puhul ning on peamine põhjus, miks süsteemid nagu XGBoost ja LightGBM edestavad järjepidevalt tavalist võimendamist reaalmaailma tabelandmete võrdlusalustel.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/et/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.
- BoostingMasinõpe↔ compare
- Gradient BoostingMasinõpe↔ compare
- Reguleeritud gradienttugevdusMasinõpe↔ compare
- Reguleeritud juhuslik metsMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →