Regulirani pojačani algoritam
Regulirani pojačani algoritam proširuje pojačani algoritam temeljena na gradijentu dodavanjem eksplicitnih kontrola — skupljanje (stopa učenja), L1/L2 novčane kazne za težine, poduzorkovanje i ograničenja složenosti stabla — na ciljnu funkciju i pravilo ažuriranja. Ta ograničenja smanjuju prekomjerno prilagođavanje, stabiliziraju model na bučnim ili malim skupovima podataka i ključni su razlog zašto sustavi poput XGBoost i LightGBM dosljedno nadmašuju obični pojačani algoritam na stvarnim tabličnim referentnim vrijednostima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Gradient Boosting (Shrinkage and Penalized Objective Boosting). ScholarGate. https://scholargate.app/hr/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.
- BoostingStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Regularizirani gradijentni boostingStrojno učenje↔ compare
- Regulirani slučajni šumStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →