Gradient Boosting d'Insieme
Il Gradient Boosting è un metodo d'insieme introdotto da Jerome Friedman nel 2001 che costruisce un modello predittivo robusto aggiungendo sequenzialmente alberi decisionali poco profondi, ciascuno correggendo gli errori dell'insieme precedente. Inquadrando il problema come discesa del gradiente nello spazio delle funzioni, raggiunge un'accuratezza allo stato dell'arte nei compiti di classificazione, regressione e ranking su dati tabulari.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
- Friedman, J. H. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38(4), 367–378. DOI: 10.1016/S0167-9473(01)00065-2 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Gradient Boosting Machine (Ensemble of Additive Decision Trees). ScholarGate. https://scholargate.app/it/machine-learning/ensemble-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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ compare
- CatBoostApprendimento automatico↔ compare
- Albero decisionaleApprendimento automatico↔ compare
- LightGBMApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →