Bayesian XGBoost
A Bayesian XGBoost a valósághű gradiens kiemelési (Extreme Gradient Boosting) módszer prediktív erejét ötvözi a hiperparaméter-hangolás Bayesian optimalizálásával. Rács- vagy véletlenszerű keresés helyett egy valószínűségi szurrogátmodell irányítja az optimális tanulási ráta, a fák mélysége és a regularizációs paraméterek keresését, így a kimerítő keresési megközelítéseknél jóval kevesebb kiértékeléssel közel-optimális teljesítmény érhető el.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
- Snoek, J., Larochelle, H. & Adams, R. P. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. Advances in Neural Information Processing Systems (NeurIPS), 25, 2951–2959. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bayesian-Optimized Extreme Gradient Boosting. ScholarGate. https://scholargate.app/hu/machine-learning/bayesian-xgboost
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.
- Gradient BoostingGépi tanulás↔ compare
- LightGBMGépi tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →