تقویت گرادیان منظمشده
تقویت گرادیان منظمشده، مجموعه درختی افزودنی کلاسیک (Friedman 2001) را با تعبیه مستقیم جملات جریمه L1 و L2 در تابع هدف آموزش، همراه با جریمه پیچیدگی بر اندازه درخت، گسترش میدهد. این چارچوب که توسط XGBoost (Chen & Guestrin 2016) محبوبیت یافت، در مقایسه با تقویت بدون جریمه، بیشبرازش را کاهش داده و تعمیمپذیری را بهبود میبخشد، در حالی که دقت مشخصه این روش را بر روی دادههای جدولی حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- 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 ↗
- 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 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/fa/machine-learning/regularized-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
- لایتجیبیام (LightGBM)یادگیری ماشین↔ compare
- درخت تصمیم منظم شدهیادگیری ماشین↔ compare
- جنگل تصادفی منظمشدهیادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →