Gradient Boosting
Gradient Boosting onseopetustyömenetelmä, jonka Jerome H. Friedman formalisoi vuonna 2001. Se yhdistää heikkojen oppijoiden – tyypillisesti matalien päätöspuiden – sekvenssin siten, että kutakin uutta puuta sovitetaan minimoimaan edellisten puiden virheitä. Se on suosittujen toteutusten, kuten XGBoost, LightGBM ja CatBoost, ydinalgoritmi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Lähteet
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/fi/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.
- PäätöspuuKoneoppiminen↔ compare
- LightGBMKoneoppiminen↔ compare
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →