Online Gradient Boosting
Az Online Gradient Boosting a gradienskiemelés keretrendszerét adaptálja stream-beállításokhoz, ahol az adatok egyenként, nem pedig rögzített kötegekben érkeznek. Minden lépésben a modell kiszámítja az érkező megfigyelés pszeudó-maradványát, és helyben frissíti egy gyenge tanulót, növelve egy additív együttes modellt anélkül, hogy tárolná vagy újra áttekintené a múltbeli adatokat. Ez alkalmassá teszi valós idejű predikcióra és nagyméretű stream-feldolgozó folyamatokra, ahol az újratanítás a nulláról nem kivitelezhető.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Grubb, A. & Bagnell, J. A. (2011). Generalized Boosting Algorithms for Convex Optimization. Proceedings of the 28th International Conference on Machine Learning (ICML 2011), 1209–1216. link ↗
- Beygelzimer, A., Hazan, E., Langford, J. & Zheng, T. (2015). Online-to-Batch Conversions and Applications. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Online Gradient Boosting (Streaming Gradient Boosted Ensembles). ScholarGate. https://scholargate.app/hu/machine-learning/online-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.
- BoostingGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Online tanulásGépi tanulás↔ compare
- Online Random ForestGépi tanulás↔ compare
- Félfelügyelt Gradient BoostingGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →