Regularizált Gradient Boosting
A regularizált gradient boosting a klasszikus additív fa-együttes (Friedman 2001) módszert bővíti ki L1 és L2 büntetési tagok beágyazásával közvetlenül a tanítási célfüggvénybe, valamint a fák méretére vonatkozó komplexitási büntetéssel. Az XGBoost (Chen & Guestrin 2016) által népszerűsített keretrendszer csökkenti a túltanulást és javítja az általánosítást a nem büntetett boosting módszerekhez képest, miközben megőrzi a módszer jellemző pontosságát táblázatos adatokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
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 ↗
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Gradient Boosting (L1/L2-Penalized Additive Tree Ensemble). ScholarGate. https://scholargate.app/hu/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.
- BoostingGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- LightGBMGépi tanulás↔ compare
- Regularizált döntési faGépi tanulás↔ compare
- Regularized Random ForestGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →