گرادیان بوستینگ (Gradient Boosting)
گرادیان بوستینگ یک روش یادگیری گروهی (ensemble learning) است که در سال ۲۰۰۱ توسط جروم اچ. فریدمن (Jerome H. Friedman) صورتبندی شد. این روش با ترکیب دنبالهای از یادگیرندههای ضعیف (weak learners) - معمولاً درختهای تصمیم کمعمق - به گونهای عمل میکند که هر درخت جدید برای کمینهسازی خطاهای باقیمانده درختان پیش از خود برازش داده میشود. این الگوریتم هسته اصلی پیادهسازیهای محبوبی مانند XGBoost، LightGBM و CatBoost است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
منابع
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/fa/machine-learning/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.
- درخت تصمیمیادگیری ماشین↔ compare
- لایتجیبیام (LightGBM)یادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →