افزایش گرادیان آنلاین
افزایش گرادیان آنلاین (Online Gradient Boosting) چارچوب افزایش گرادیان را برای تنظیمات جریانی که در آن دادهها به جای یک دسته ثابت، یک نمونه در هر زمان وارد میشوند، تطبیق میدهد. در هر مرحله، مدل یک شبهباقیمانده برای مشاهده ورودی محاسبه کرده و یک یادگیرنده ضعیف را درجا بهروزرسانی میکند و یک مجموعه افزایشی را بدون ذخیره یا بازبینی دادههای گذشته میسازد. این امر آن را برای پیشبینی بیدرنگ و خطوط لوله جریانی در مقیاس بزرگ که در آن بازآموزی از ابتدا غیرممکن است، مناسب میسازد.
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
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/fa/machine-learning/online-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.
- بوستینگیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- یادگیری آنلاینیادگیری ماشین↔ compare
- Online Random Forestیادگیری ماشین↔ compare
- تقویت گرادیان نیمهنظارتییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →