Regularisoitu gradienttivahvistus
Regularisoitu gradienttivahvistus laajentaa klassista additiivista puu-ensembleä (Friedman 2001) upottamalla L1- ja L2-rangaistustermit suoraan koulutustavoitteeseen yhdessä puun koon monimutkaisuusrangaistuksen kanssa. XGBoostin (Chen & Guestrin 2016) popularisoima kehys vähentää ylisovitusta ja parantaa yleistymistä verrattuna rankaisemattomaan vahvistukseen, säilyttäen samalla menetelmän tyypillisen tarkkuuden taulukkomuotoisessa datassa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/fi/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.
- BoostingKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- LightGBMKoneoppiminen↔ compare
- Regularisoitu päätöspuuKoneoppiminen↔ compare
- Regularized Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →