تقویت منظم (Regularized Boosting)
تقویت منظم، تقویت گرادیان را با افزودن کنترلهای صریح — انقباض (نرخ یادگیری)، جریمههای وزن L1/L2، نمونهبرداری جزئی، و محدودیتهای پیچیدگی درخت — به تابع هدف و قاعده بهروزرسانی، گسترش میدهد. این محدودیتها بیشبرازش (overfitting) را کاهش داده، مدل را بر روی مجموعه دادههای پرنویز یا کوچک تثبیت میکنند، و دلیل اصلی عملکرد بهتر سیستمهایی مانند XGBoost و LightGBM نسبت به تقویت ساده (vanilla boosting) در معیارهای جدولی دنیای واقعی هستند.
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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/fa/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.
- بوستینگیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- تقویت گرادیان منظمشدهیادگیری ماشین↔ compare
- جنگل تصادفی منظمشدهیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →