بوستینگ گرادیان ترکیبی
گرادیان بوستینگ یک روش تجمیعی است که در سال ۲۰۰۱ توسط جروم فریدمن معرفی شد و با افزودن متوالی درختان تصمیم کمعمق، که هر کدام خطاهای مجموعه قبلی را تصحیح میکنند، یک مدل پیشبینیکننده قوی میسازد. با چارچوببندی مسئله به عنوان کاهش گرادیان در فضای تابع، به دقت پیشرفتهای در وظایف طبقهبندی، رگرسیون و رتبهبندی در دادههای جدولی دست مییابد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/fa/machine-learning/ensemble-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.
- AdaBoostیادگیری ماشین↔ compare
- CatBoostیادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- لایتجیبیام (LightGBM)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →