Normalizált Online Tanulás
A normalizált online tanulás az online tanulási paradigmát bővíti ki azzal, hogy minden súlyfrissítésbe beépít egy regularizációs büntetést, amely az adatfeldolgozás során, példánként haladva szabályozza a modell komplexitását. Az olyan algoritmusok, mint a Follow-the-Regularized-Leader (FTRL) és a Regularized Dual Averaging (RDA), nagyszabásúvá teszik ezt a megközelítést, lehetővé téve ritka, jól kalibrált modellek létrehozását streamelt adatokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/hu/machine-learning/regularized-online-learning
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.
- Online tanulásGépi tanulás↔ compare
- Regularizált lineáris regresszióGépi tanulás↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
- Sztochasztikus gradiens leszúrás (SGD)Gépi tanulás↔ compare
- Transzfer tanulásGépi tanulás↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →