Regularisoitu tehostus
Regularisoitu tehostus laajentaa gradienttitehostusta lisäämällä eksplisiittisiä säätimiä – kutistus (oppimisnopeus), L1/L2-painorangaistukset, osanäytteenotto ja puun monimutkaisuusrajat – tavoitefunktioon ja päivityssääntöön. Nämä rajoitukset vähentävät ylisovitusta, vakauttavat mallia kohinaisilla tai pienillä aineistoilla, ja ovat pääasiallinen syy siihen, miksi järjestelmät kuten XGBoost ja LightGBM suoriutuvat johdonmukaisesti paremmin kuin tavallinen tehostus todellisilla taulukkomuotoisilla vertailuaineistoilla.
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 ↗
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/fi/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.
- BoostingKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Regularisoitu gradienttivahvistusKoneoppiminen↔ compare
- Regularized Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →