Ensemble Gradient Boosting
Gradient boosting on ensemble-menetelmä, jonka Jerome Friedman esitteli vuonna 2001. Se rakentaa vahvan ennustavan mallin lisäämällä peräkkäin matalia päätöspuita, joista kukin korjaa edellisen ensemble-mallin virheitä. Muotoilemalla ongelman gradienttilaskuksi funktioavaruudessa se saavuttaa huippuluokan tarkkuuden luokittelu-, regressio- ja järjestystehtävissä taulukkomuotoisella datalla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/fi/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.
- AdaBoostKoneoppiminen↔ compare
- CatBoostKoneoppiminen↔ compare
- PäätöspuuKoneoppiminen↔ compare
- LightGBMKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →