Povećanje gradijenta
Povećanje gradijenta (Gradient Boosting) je metoda učenja skupa (ensemble learning), formalizirana od strane Jeromea H. Friedmana 2001. godine, koja kombinira niz slabih učitelja (weak learners) — tipično plitkih stabala odlučivanja — tako da se svako novo stablo prilagođava minimiziranju rezidualnih pogrešaka stabala prije njega. To je ključni algoritam iza popularnih implementacija kao što su XGBoost, LightGBM i CatBoost.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+38 more
Izvori
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Gradient Boosting Machine (Friedman's Gradient Boosting). ScholarGate. https://scholargate.app/hr/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.
- Stablo odlučivanjaStrojno učenje↔ compare
- LightGBMStrojno učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →