Regularizirani gradijentni boosting
Regularizirani gradijentni boosting proširuje klasični aditivni ansambl stabala (Friedman 2001) ugradnjom L1 i L2 kaznenih članova izravno u ciljnu funkciju treniranja, zajedno s kaznom složenosti za veličinu stabla. Populariziran putem XGBoost-a (Chen & Guestrin 2016), ovaj okvir smanjuje prekomjerno prilagođavanje (overfitting) i poboljšava generalizaciju u usporedbi s nepenaliziranim boostingom, zadržavajući pritom karakterističnu točnost metode na tabličnim podacima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/hr/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.
- BoostingStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- LightGBMStrojno učenje↔ compare
- Regulirano stablo odlukeStrojno učenje↔ compare
- Regulirani slučajni šumStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →